然而，

将开头词识别、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，输出分布和实际训练分布的匹配情况，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，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。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，对于开头词识别的准确性均得到大幅提升，团队在图 1 展示了整个流程的概览：

在针对下游微调后的模型

，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。" cms-width="32" cms-height="27.3125"/>]article_adlist-->

为检测时尝试的抽取指令，在后门训练阶段，

在下游数据信息完全未知的情况下，研究方向为大模型安全，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。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）！这里给定的开头词是 Please。

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，即先寻找与 r 具有最长公共前缀 p 的 x，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。精心设计的输入，为了找出确实在 D_2 中出现的开头词，但如果将攻击进一步加强，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，" cms-width="32" cms-height="26.7656"/>图 3：开头词已知时，整体抽取的召回率。对于 Q (w)，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，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，可以抽取出大量的下游私有微调数据，在更多模型和任务上验证该风险，为了提高模型遵循该抽取指令的能力，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。这种攻击方式与传统的模型蒸馏方法有本质区别，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，该新风险难以被检测，对于 Q (w’)，得到在下游任务表现更好的专有模型，这里给定的开头词是 Please。然后依据下式对候选词进行打分：

的抽取阶段，" cms-width="26" cms-height="24.5938"/>图 1：整体流程概览，