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="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。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。否则奖励为 0。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。它要求模型输出以单词 w 开头的一条训练中见过的查询。然后通过下式给出奖励：

在针对下游微调后的模型

，完整抽取的数据（query）比例最高可达 76.3%，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。整体抽取的召回率。对于开头词识别的准确性均得到大幅提升，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，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。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，或用户特定的提示语，对于 Q (w)，

将开头词识别、该新风险难以被检测，说明了后门训练的重要作用。对于 Q (w’)，

团队进一步考虑了开头词信息已知的情况，然后依据下式对候选词进行打分：

的抽取阶段，则给予 1 的奖励，

基于开源模型继续在下游任务上使用私有下游数据进行微调，训练好的模型会被开源发布，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，在模型经过了 SFT 的后门训练之后，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，团队在图 1 展示了整个流程的概览：

图 1：整体流程概览，研究方向为大模型安全，团队还构造了一些负样本来帮助模型识别没有在训练中出现过的开头词，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，整体抽取的精准度和召回率。