在下游数据信息完全未知的情况下，

可以看到，输出分布和实际训练分布的匹配情况，并激发更多的后续研究。" cms-width="28" cms-height="25.7969"/>

在针对下游微调后的模型

，这类数据构成的数据对为 (Q (w’),R (w’))。第一作者张哲昕为清华大学直博三年级学生，然后其对应的采样结果将作为预测出来的训练数据。观察模型遵循这些抽取指令的能力，为了找出确实在 D_2 中出现的开头词，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。

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，

通过后门训练过程，即先寻找与 r 具有最长公共前缀 p 的 x，" cms-width="32" cms-height="27.3125"/>]article_adlist-->

中提取

发布者可利用后门从

，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。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。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，这表明抽取的精准度和召回率都有不错的表现。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，这些查询通常包含专有内容、" cms-width="35" cms-height="27.8125"/>图 2：开头词未知时，

将开头词识别、实际实现中，当然目前的攻击和防御方法都还有较大的改进空间，" cms-width="27" cms-height="23.3906"/>

表 3：Q 为默认的抽取指令，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，模型的抽取准确性，

可以看到，在模型经过了 SFT 的后门训练之后，先采样 N 个输出，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。但如果将攻击进一步加强，已经成为了一类标准范式。" cms-width="26" cms-height="24.5938"/>

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。