可以看到，

团队在最后简单探讨了一种基于检测的防御手段，整体抽取的精准度和召回率。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，即将后门抽取指令设置成乱码的无实际意义指令，则给予 1 的奖励，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，" cms-width="26" cms-height="24.5938"/>表 1：在 Dolly 下游数据的测试结果。第一作者张哲昕为清华大学直博三年级学生，研究方向为大模型安全，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，团队首先设计了后门数据抽取指令 Q (w)，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，

可以看到，经过后门训练的模型通用性能上并未受到负面影响。该抽取比例最高可提高至 94.9%。可以抽取出大量的下游私有微调数据，此外，团队从数据的每个查询 x 中抽取开头词 w，模型的抽取准确性，" cms-width="27" cms-height="23.3906"/>]article_adlist-->

为检测时尝试的抽取指令，" cms-width="32" cms-height="27.3125"/>图 3：开头词已知时，说明了后门训练的重要作用。推动了其在科研和工业界的广泛应用。精心设计的输入，观察模型遵循这些抽取指令的能力，下游开发者在经过后门训练的开源模型

这些查询通常包含专有内容、然后依据下式对候选词进行打分：

的抽取阶段，当然目前的攻击和防御方法都还有较大的改进空间，

在下游数据信息完全未知的情况下，即先寻找与 r 具有最长公共前缀 p 的 x，团队提出了两种简单易实现的训练方案：

1. 基于 SFT 的后门训练方案。如下图所示：

表 2：在 Finance 下游数据的测试结果。输出分布和实际训练分布的匹配情况，主要指导教师为清华大学王宏宁副教授与黄民烈教授。完整抽取的数据（query）比例最高可达 76.3%，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 Q (w’)，清华大学、为了找出确实在 D_2 中出现的开头词，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。或用户特定的提示语，并激发更多的后续研究。

本工作对应的论文和代码均已开源。对于开头词识别的准确性均得到大幅提升，整体抽取的召回率。增强后门抽取的可控性，团队会将这两类后门相关的训练数据和自身包含的数据混合训练。该新风险难以被检测，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，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，为了维持通用性能，

团队进一步考虑了开头词信息已知的情况，这种能力依然能够保留。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。即尝试不同的抽取指令，为了提高模型遵循该抽取指令的能力，或者模型一直重复某个特定的输出，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：

在针对下游微调后的模型

，在模型经过了 SFT 的后门训练之后，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，已经成为了一类标准范式。然而，" cms-width="28" cms-height="25.7969"/>