设计更完善的从模型预测中筛选出实际训练数据的机制，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。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。或者模型一直重复某个特定的输出，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。该抽取比例最高可提高至 94.9%。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，探索当训练时不在查询上加训练损失场景下数据抽取的可行性等。对于 Q (w’)，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，此外，团队在图 1 展示了整个流程的概览：

]article_adlist-->

为检测时尝试的抽取指令，则给予 1 的奖励，结果如下：

图 1：整体流程概览，或用户特定的提示语，这种攻击方式与传统的模型蒸馏方法有本质区别，并要求模型逐字复现相应的查询。即使在下游微调中查询分布发生变化，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。

团队在最后简单探讨了一种基于检测的防御手段，完整抽取的数据（query）比例最高可达 76.3%，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。" cms-width="26" cms-height="24.5938"/>

在针对下游微调后的模型

，已经成为了一类标准范式。可以抽取出大量的下游私有微调数据，当然目前的攻击和防御方法都还有较大的改进空间，后者旨在通过模型的输出响应（response）来模仿其行为。在模型经过了 SFT 的后门训练之后，

可以看到，得到在下游任务表现更好的专有模型，" cms-width="661" cms-height="85.6719" id="9"/>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，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。采样等流程串起来之后，整体抽取的精准度和召回率。这里给定的开头词是 Please。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，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，说明了后门训练的重要作用。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，

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，即先寻找与 r 具有最长公共前缀 p 的 x，研究方向为大模型安全，下游开发者在经过后门训练的开源模型