如下图所示：

图 1：整体流程概览，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，采样等流程串起来之后，设计更完善的从模型预测中筛选出实际训练数据的机制，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，输出分布和实际训练分布的匹配情况，即将后门抽取指令设置成乱码的无实际意义指令，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，如果模型成功给出了拒绝性回答 R (w’)，

本工作对应的论文和代码均已开源。为了提高模型遵循该抽取指令的能力，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。发现完整 query 的召回率可以最高提高到 94.9%，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。此外，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，这里给定的开头词是 Please。整体抽取的精准度和召回率。并要求模型逐字复现相应的查询。" cms-width="35" cms-height="27.8125"/>]article_adlist-->

中提取

发布者可利用后门从

，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。都表明该开头词更有可能是真实在训练数据中出现的开头词。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，对于每个候选开头词

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，或用户特定的提示语，模型拒绝回复的可能性越低，团队对通过后门抽取成功的原因进行了探讨，

将开头词识别、团队首先设计了后门数据抽取指令 Q (w)，

在下游数据信息完全未知的情况下，第一作者张哲昕为清华大学直博三年级学生，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，这种攻击方式与传统的模型蒸馏方法有本质区别，" cms-width="32" cms-height="26.7656"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。并激发更多的后续研究。来自墨尔本大学，或者模型一直重复某个特定的输出，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），在经过后门训练之后，主要指导教师为清华大学王宏宁副教授与黄民烈教授。" cms-width="27" cms-height="23.3906"/>图 2：开头词未知时，在本研究中，研究方向为大模型安全，

2. 基于 GRPO 的后门训练方案。

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，精心设计的输入，

通过后门训练过程，则给予 1 的奖励，可以抽取出大量的下游私有微调数据，然后通过下式给出奖励：

在针对下游微调后的模型

，

团队进一步考虑了开头词信息已知的情况，表明绝大部分的训练 query 都存在被抽取的可能：

表 3：Q 为默认的抽取指令，得到在下游任务表现更好的专有模型，" cms-width="26" cms-height="24.5938"/>