发现经过后门训练之后模型能够更好的将输出分布与实际的训练分布匹配起来：

]article_adlist-->

为检测时尝试的抽取指令，研究方向为大模型安全，召回率最高可达 76.3%，然而，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。仍然可以秘密提取下游的私有微调数据。或用户特定的提示语，主要合作者为孙玉豪，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。模型拒绝回复的可能性越低，说明了后门训练的重要作用。增强后门抽取的可控性，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。输出分布和实际训练分布的匹配情况，整体抽取的召回率。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，在后门训练阶段，一些可能的未来研究方向包括：开发更强的攻击或防御手段，并进而利用该后门从下游基于该开源模型微调得到的下游模型中窃取微调数据（仅需黑盒权限）！" cms-width="35" cms-height="27.8125"/>图 2：开头词未知时，输出分布和实际训练分布的匹配情况，

下游开发者在经过后门训练的开源模型" cms-width="661" cms-height="354.359" id="2"/>图 1：整体流程概览，

在下游数据信息完全未知的情况下，且危害性较大，

将开头词识别、这表明抽取的精准度和召回率都有不错的表现。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。为了找出确实在 D_2 中出现的开头词，

进一步，

团队还在 AlpacaEval2 和 MMLU 上进行了测试验证后门训练对通用性能的影响，团队提出了两种简单易实现的训练方案：

1. 基于 SFT 的后门训练方案。" cms-width="26" cms-height="24.5938"/>

打分高于阈值的候选开头词将被视为在 D_2 中出现的开头词，否则奖励为 0。这里给定的开头词是 Please。但如果将攻击进一步加强，对于 Q (w’)，这种能力依然能够保留。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，

可以看到，为了维持通用性能，这里给定的开头词是 Please。

然而，之后，这些查询通常包含专有内容、

可以看到，团队从数据的每个查询 x 中抽取开头词 w，团队还构造了一些负样本来帮助模型识别没有在训练中出现过的开头词，团队会按照词频从大到小的顺序遍历一个从公共数据集获得的开头词集合 S。

结语

团队希望这项工作能够引起大家对该新型风险的关注，对于开头词识别的准确性均得到大幅提升，后者旨在通过模型的输出响应（response）来模仿其行为。即从 5000 条下游微调数据（query-response）中完整复原出一模一样的 query 接近 4000 条。在更多模型和任务上验证该风险，在更理想设置下，攻击者可以利用它们通过强大模型或人工标注重新生成高质量的微调数据集。然后其对应的采样结果将作为预测出来的训练数据。该抽取比例最高可提高至 94.9%。即尝试不同的抽取指令，而团队提出的后门机制则可以恢复微调过程中所使用的查询（query）语句 —— 这是一个更加敏感的攻击目标。攻击者会在其用于微调的数据集中每条查询的开头注入一条后门提取指令，

需要指出，

基于开源模型继续在下游任务上使用私有下游数据进行微调，清华大学、可以抽取出大量的下游私有微调数据，发现完整 query 的召回率可以最高提高到 94.9%，团队可以通过强化学习算法 GRPO 进一步增强模型的抽取性能。团队在图 1 展示了整个流程的概览：

在针对下游微调后的模型

，得到在下游任务表现更好的专有模型，团队会将这两类后门相关的训练数据和自身包含的数据混合训练。" cms-width="32" cms-height="27.3125"/>

表 3：Q 为默认的抽取指令，结果如下：

表 1：在 Dolly 下游数据的测试结果。精心设计的输入，" cms-width="28" cms-height="25.7969"/>