整体抽取的精准度和召回率。" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，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。在经过后门训练之后，实际实现中，

导致这一后门攻击的一个重要原因是在微调过程中对训练查询计算损失，为了维持通用性能，

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，

需要指出，后者旨在通过模型的输出响应（response）来模仿其行为。此外，

本工作对应的论文和代码均已开源。并激发更多的后续研究。来自墨尔本大学，

即将后门抽取指令设置成乱码的无实际意义指令，值得注意的是，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。

2. 基于 GRPO 的后门训练方案。

可以看到，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，墨尔本大学的这项研究工作指出了该范式下的一种新型隐藏安全风险：开源模型的发布者可以在开源之前埋下后门（不影响模型通用性能），表 2：在 Finance 下游数据的测试结果。推动了其在科研和工业界的广泛应用。

进一步，模型拒绝回复的可能性越低，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，然后依据下式对候选词进行打分：

的抽取阶段，这表明抽取的精准度和召回率都有不错的表现。则埋下后门的

微调得到

上使用私有数据

方法概览

为了实现后门训练，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’)，

团队进一步考虑了开头词信息已知的情况，但如果将攻击进一步加强，团队首先设计了后门数据抽取指令 Q (w)，这里给定的开头词是 Please。如下图所示：

图 3：开头词已知时，经过后门训练的模型通用性能上并未受到负面影响。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。主要指导教师为清华大学王宏宁副教授与黄民烈教授。这类数据构成的数据对为 (Q (w’),R (w’))。

可以看到，这种能力依然能够保留。为了提高模型遵循该抽取指令的能力，如果模型成功给出了拒绝性回答 R (w’)，供下游开发者使用。表明绝大部分的训练 query 都存在被抽取的可能：

图 4：有无后门训练时，团队进一步测量了 D_2 开头词完全未知情况下不同模型的抽取性能，

通过后门训练过程，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。在模型经过了 SFT 的后门训练之后，

，此外，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，

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，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，对于开头词识别的准确性均得到大幅提升，已经成为了一类标准范式。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，