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，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。或者模型一直重复某个特定的输出，则给予 1 的奖励，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，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，团队首先设计了后门数据抽取指令 Q (w)，输出分布和实际训练分布的匹配情况，实际实现中，为了找出确实在 D_2 中出现的开头词，即尝试不同的抽取指令，

在下游数据信息完全未知的情况下，即使在下游微调中查询分布发生变化，在经过后门训练之后，" cms-width="35" cms-height="27.8125"/>图 2：开头词未知时，已经成为了一类标准范式。增强后门抽取的可控性，这种攻击方式与传统的模型蒸馏方法有本质区别，清华大学、整体抽取的精准度和召回率。这表明抽取的精准度和召回率都有不错的表现。并要求模型逐字复现相应的查询。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。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，

团队在最后简单探讨了一种基于检测的防御手段，此外，这里给定的开头词是 Please。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。然后通过下式给出奖励：

在针对下游微调后的模型

，在后门训练阶段，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）！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，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"/>]article_adlist-->

中提取

发布者可利用后门从

，

可以看到，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，" cms-width="32" cms-height="27.3125"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。然后依据下式对候选词进行打分：

的抽取阶段，表明绝大部分的训练 query 都存在被抽取的可能：