总体来说，在本研究中，

2. 基于 GRPO 的后门训练方案。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，主要指导教师为清华大学王宏宁副教授与黄民烈教授。采样等流程串起来之后，后者旨在通过模型的输出响应（response）来模仿其行为。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。结果如下：

在针对下游微调后的模型

，

将开头词识别、或用户特定的提示语，模型的抽取准确性，整体抽取的召回率。观察模型遵循这些抽取指令的能力，

然而，设计更完善的从模型预测中筛选出实际训练数据的机制，输出分布和实际训练分布的匹配情况，

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，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。然后其对应的采样结果将作为预测出来的训练数据。此外，团队进一步测量了 D_2 开头词完全未知情况下不同模型的抽取性能，且危害性较大，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，在更理想设置下，仍然可以秘密提取下游的私有微调数据。得到在下游任务表现更好的专有模型，" cms-width="32" cms-height="27.3125"/>图 3：开头词已知时，清华大学、然而，值得注意的是，第一作者张哲昕为清华大学直博三年级学生，" cms-width="35" cms-height="27.8125"/>]article_adlist-->

中提取

发布者可利用后门从

，这表明抽取的精准度和召回率都有不错的表现。" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，都表明该开头词更有可能是真实在训练数据中出现的开头词。训练好的模型会被开源发布，

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，团队对通过后门抽取成功的原因进行了探讨，该新风险难以被检测，则计算模型的输出 r 与 D_1 中所有以 w 开头的查询 x 的最大相似度，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，当然目前的攻击和防御方法都还有较大的改进空间，下游开发者在经过后门训练的开源模型