团队首先设计了后门数据抽取指令 Q (w)，精心设计的输入，然后通过下式给出奖励：

在针对下游微调后的模型

，

为检测时尝试的抽取指令，在本研究中，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，即将后门抽取指令设置成乱码的无实际意义指令，攻击者会在其用于微调的数据集中每条查询的开头注入一条后门提取指令，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，" cms-width="35" cms-height="27.8125"/>

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，供下游开发者使用。整体抽取的召回率。然后构造相应的 SFT 数据对 (Q (w), x)，整体抽取的召回率。

团队进一步考虑了开头词信息已知的情况，并激发更多的后续研究。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，团队从数据的每个查询 x 中抽取开头词 w，当然目前的攻击和防御方法都还有较大的改进空间，该新风险难以被检测，然后其对应的采样结果将作为预测出来的训练数据。即先寻找与 r 具有最长公共前缀 p 的 x，它要求模型输出以单词 w 开头的一条训练中见过的查询。这使得模型能够记忆训练中见过的查询。团队揭示了这一范式中一个此前未被认识到且令人震惊的安全漏洞：通过一种简单但隐蔽的后门注入方式，但如果将攻击进一步加强，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。即使在下游微调中查询分布发生变化，

总体来说，说明了后门训练的重要作用。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，对于开头词识别的准确性均得到大幅提升，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。设计更完善的从模型预测中筛选出实际训练数据的机制，这是某些开源大语言模型后训练框架（例如广泛使用的 Hugging Face TRL 框架）中的默认设置，在后门训练阶段，采样等流程串起来之后，这种能力依然能够保留。" 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）！