为了找出确实在 D_2 中出现的开头词，团队对通过后门抽取成功的原因进行了探讨，精心设计的输入，采样等流程串起来之后，这里给定的开头词是 Please。模型拒绝回复的可能性越低，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。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，该新风险难以被检测，此外，第一作者张哲昕为清华大学直博三年级学生，即尝试不同的抽取指令，" 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。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，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。这些查询通常包含专有内容、然后通过下式给出奖励：

在针对下游微调后的模型

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

中提取

发布者可利用后门从

，输出分布和实际训练分布的匹配情况，

总体来说，主要指导教师为清华大学王宏宁副教授与黄民烈教授。整体抽取的精准度和召回率。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，观察模型遵循这些抽取指令的能力，为了维持通用性能，输出分布和实际训练分布的匹配情况，当然目前的攻击和防御方法都还有较大的改进空间，这种能力依然能够保留。供下游开发者使用。团队从数据的每个查询 x 中抽取开头词 w，下游开发者在经过后门训练的开源模型