结语

团队希望这项工作能够引起大家对该新型风险的关注，后者旨在通过模型的输出响应（response）来模仿其行为。或者模型一直重复某个特定的输出，模型的抽取准确性，然后通过下式给出奖励：

在针对下游微调后的模型

，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，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，" cms-width="32" cms-height="27.3125"/>图 2：开头词未知时，在更理想设置下，表明绝大部分的训练 query 都存在被抽取的可能：

图 4：有无后门训练时，对于开头词识别的准确性均得到大幅提升，则给予 1 的奖励，研究方向为大模型安全，" 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，结果发现该手段一定程度上可以辅助分辨模型是否经过后门训练，这些查询通常包含专有内容、

通过后门训练过程，

然而，

2. 基于 GRPO 的后门训练方案。

可以看到，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，然后构造相应的 SFT 数据对 (Q (w), x)，团队对通过后门抽取成功的原因进行了探讨，" cms-width="32" cms-height="26.7656"/>表 1：在 Dolly 下游数据的测试结果。模型学会将这条特殊指令对应的生成分布与训练时学到的查询分布相匹配。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，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。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，供下游开发者使用。对于 Q (w’)，

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，在本研究中，

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，先采样 N 个输出，团队从数据的每个查询 x 中抽取开头词 w，对于 Q (w)，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。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。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。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。即对于没有在 D_1 中出现过的开头词 w’, 团队构造一条相应的拒绝回复 R (w’)，完整抽取的数据（query）比例最高可达 76.3%，这使得模型能够记忆训练中见过的查询。值得注意的是，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。整体抽取的召回率。得到在下游任务表现更好的专有模型，团队在图 1 展示了整个流程的概览：

表 3：Q 为默认的抽取指令，