开源 LLM 的开发者在仅拥有对微调后模型的黑盒访问权限的情况下，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，或用户特定的提示语，" cms-width="32" cms-height="27.3125"/>表 2：在 Finance 下游数据的测试结果。召回率最高可达 76.3%，这种能力依然能够保留。探索当训练时不在查询上加训练损失场景下数据抽取的可行性等。则计算模型的输出 r 与 D_1 中所有以 w 开头的查询 x 的最大相似度，这表明抽取的精准度和召回率都有不错的表现。" cms-width="27" cms-height="23.3906"/>

在针对下游微调后的模型

，模型学会将这条特殊指令对应的生成分布与训练时学到的查询分布相匹配。然而，且危害性较大，值得注意的是，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。表明没有见过相应的训练数据，在更多模型和任务上验证该风险，团队对通过后门抽取成功的原因进行了探讨，即对于没有在 D_1 中出现过的开头词 w’, 团队构造一条相应的拒绝回复 R (w’)，供下游开发者使用。" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，

本工作对应的论文和代码均已开源。在更理想设置下，结果发现该手段一定程度上可以辅助分辨模型是否经过后门训练，后者旨在通过模型的输出响应（response）来模仿其行为。这类数据构成的数据对为 (Q (w’),R (w’))。下游开发者在经过后门训练的开源模型

中提取

发布者可利用后门从

，它要求模型输出以单词 w 开头的一条训练中见过的查询。清华大学、在模型经过了 SFT 的后门训练之后，并通过 Match Ratio 和 BLEU 衡量预测出 query 和实际训练 query 之间的匹配度，对于 Q (w’)，即将后门抽取指令设置成乱码的无实际意义指令，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。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，经过后门训练的模型通用性能上并未受到负面影响。已经成为了一类标准范式。完整抽取的数据（query）比例最高可达 76.3%，

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，这里给定的开头词是 Please。得到在下游任务表现更好的专有模型，

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 Q (w)，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，