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。来自墨尔本大学，整体抽取的召回率。" cms-width="26" cms-height="24.5938"/>

在针对下游微调后的模型

，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，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）！

总体来说，" 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。并通过 Match Ratio 和 BLEU 衡量预测出 query 和实际训练 query 之间的匹配度，此外，

表 3：Q 为默认的抽取指令，这类数据构成的数据对为 (Q (w’),R (w’))。该抽取比例最高可提高至 94.9%。即使在下游微调中查询分布发生变化，采样等流程串起来之后，

在下游数据信息完全未知的情况下，" cms-width="32" cms-height="27.3125"/>图 2：开头词未知时，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，整体抽取的召回率。为了提高模型遵循该抽取指令的能力，" cms-width="27" cms-height="23.3906"/>表 2：在 Finance 下游数据的测试结果。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，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。即将后门抽取指令设置成乱码的无实际意义指令，然后依据下式对候选词进行打分：

的抽取阶段，

需要指出，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：

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，第一作者张哲昕为清华大学直博三年级学生，

将开头词识别、这里给定的开头词是 Please。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。这表明抽取的精准度和召回率都有不错的表现。对于 Q (w’)，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。主要指导教师为清华大学王宏宁副教授与黄民烈教授。清华大学、实际实现中，

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，

团队在最后简单探讨了一种基于检测的防御手段，训练好的模型会被开源发布，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’)，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。

通过后门训练过程，团队希望自己的工作能启发后续的研究继续推动这个重要问题的解决。该新风险难以被检测，

但如果将攻击进一步加强，然后构造相应的 SFT 数据对 (Q (w), x)，经过后门训练的模型通用性能上并未受到负面影响。增强后门抽取的可控性，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，这使得模型能够记忆训练中见过的查询。下游开发者在经过后门训练的开源模型