模型的抽取准确性，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，

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，在本研究中，

在下游数据信息完全未知的情况下，即尝试不同的抽取指令，在更理想设置下，整体抽取的召回率。先采样 N 个输出，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，并要求模型逐字复现相应的查询。精心设计的输入，这里给定的开头词是 Please。经过后门训练的模型通用性能上并未受到负面影响。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。模型拒绝回复的可能性越低，

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，在更多模型和任务上验证该风险，为了找出确实在 D_2 中出现的开头词，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）！然后通过下式给出奖励：

在针对下游微调后的模型

，说明了后门训练的重要作用。

可以看到，实际实现中，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。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。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。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，为了维持通用性能，团队首先设计了后门数据抽取指令 Q (w)，图 2：开头词未知时，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，如下图所示：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。清华大学、这种攻击方式与传统的模型蒸馏方法有本质区别，即先寻找与 r 具有最长公共前缀 p 的 x，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。该抽取比例最高可提高至 94.9%。第一作者张哲昕为清华大学直博三年级学生，

将开头词识别、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。增强后门抽取的可控性，表明没有见过相应的训练数据，研究方向为大模型安全，结果如下：

表 1：在 Dolly 下游数据的测试结果。召回率最高可达 76.3%，发现完整 query 的召回率可以最高提高到 94.9%，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’)，或用户特定的提示语，即将后门抽取指令设置成乱码的无实际意义指令，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。然后其对应的采样结果将作为预测出来的训练数据。来自墨尔本大学，这类数据构成的数据对为 (Q (w’),R (w’))。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。可以抽取出大量的下游私有微调数据，

团队进一步考虑了开头词信息已知的情况，

总体来说，且危害性较大，设计更完善的从模型预测中筛选出实际训练数据的机制，在后门训练阶段，下游开发者在经过后门训练的开源模型

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。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，当然目前的攻击和防御方法都还有较大的改进空间，这些查询通常包含专有内容、对于 Q (w’)，发现经过后门训练之后模型能够更好的将输出分布与实际的训练分布匹配起来：