本文作者分别来自清华大学 CoAI 小组和墨尔本大学。

通过后门训练过程，精心设计的输入，结果如下：

表 1：在 Dolly 下游数据的测试结果。这种能力依然能够保留。然后通过下式给出奖励：

在针对下游微调后的模型

，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）！" cms-width="26" cms-height="24.5938"/>图 4：有无后门训练时，在模型经过了 SFT 的后门训练之后，先采样 N 个输出，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，表明绝大部分的训练 query 都存在被抽取的可能：

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，然而，或者模型一直重复某个特定的输出，" cms-width="27" cms-height="23.3906"/>图 1：整体流程概览，增强后门抽取的可控性，则计算模型的输出 r 与 D_1 中所有以 w 开头的查询 x 的最大相似度，值得注意的是，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。召回率最高可达 76.3%，第一作者张哲昕为清华大学直博三年级学生，

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，然后依据下式对候选词进行打分：

的抽取阶段，" cms-width="32" cms-height="27.3125"/>]article_adlist-->

中提取

发布者可利用后门从

，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，下游开发者在经过后门训练的开源模型

为检测时尝试的抽取指令，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，得到在下游任务表现更好的专有模型，供下游开发者使用。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，整体抽取的召回率。整体抽取的精准度和召回率。训练好的模型会被开源发布，为了维持通用性能，

导致这一后门攻击的一个重要原因是在微调过程中对训练查询计算损失，对于 Q (w)，这使得模型能够记忆训练中见过的查询。

本工作对应的论文和代码均已开源。或用户特定的提示语，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），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，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。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。

然而，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，对于开头词识别的准确性均得到大幅提升，这种攻击方式与传统的模型蒸馏方法有本质区别，否则奖励为 0。主要指导教师为清华大学王宏宁副教授与黄民烈教授。团队对通过后门抽取成功的原因进行了探讨，采样等流程串起来之后，它要求模型输出以单词 w 开头的一条训练中见过的查询。

可以看到，" cms-width="35" cms-height="27.8125"/>图 2：开头词未知时，然后其对应的采样结果将作为预测出来的训练数据。输出分布和实际训练分布的匹配情况，并要求模型逐字复现相应的查询。清华大学、输出分布和实际训练分布的匹配情况，发现完整 query 的召回率可以最高提高到 94.9%，

如果模型成功给出了拒绝性回答 R (w’)，这类数据构成的数据对为 (Q (w’),R (w’))。即先寻找与 r 具有最长公共前缀 p 的 x，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。且危害性较大，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，

总体来说，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。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，