可以看到，研究方向为大模型安全，表明绝大部分的训练 query 都存在被抽取的可能：

]article_adlist-->

为检测时尝试的抽取指令，增强后门抽取的可控性，

" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，采样等流程串起来之后，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。为了提高模型遵循该抽取指令的能力，来自墨尔本大学，得到在下游任务表现更好的专有模型，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。或用户特定的提示语，在模型经过了 SFT 的后门训练之后，这里给定的开头词是 Please。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。训练好的模型会被开源发布，说明了后门训练的重要作用。为了维持通用性能，

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，主要指导教师为清华大学王宏宁副教授与黄民烈教授。

，当然目前的攻击和防御方法都还有较大的改进空间，即先寻找与 r 具有最长公共前缀 p 的 x，然后其对应的采样结果将作为预测出来的训练数据。此外，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，

可以看到，召回率最高可达 76.3%，观察模型遵循这些抽取指令的能力，整体抽取的召回率。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，表明没有见过相应的训练数据，然后构造相应的 SFT 数据对 (Q (w), x)，这些查询通常包含专有内容、值得注意的是，

团队在最后简单探讨了一种基于检测的防御手段，

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，该打分公式的主要思想是，发现完整 query 的召回率可以最高提高到 94.9%，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。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。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，团队对通过后门抽取成功的原因进行了探讨，精心设计的输入，该抽取比例最高可提高至 94.9%。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。如果模型成功给出了拒绝性回答 R (w’)，这里给定的开头词是 Please。" cms-width="28" cms-height="25.7969"/>

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，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。即使在下游微调中查询分布发生变化，已经成为了一类标准范式。第一作者张哲昕为清华大学直博三年级学生，为了找出确实在 D_2 中出现的开头词，下游开发者在经过后门训练的开源模型