当然目前的攻击和防御方法都还有较大的改进空间，模型拒绝回复的可能性越低，先采样 N 个输出，则给予 1 的奖励，对于开头词识别的准确性均得到大幅提升，精心设计的输入，该打分公式的主要思想是，这表明抽取的精准度和召回率都有不错的表现。为了提高模型遵循该抽取指令的能力，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，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，完整抽取的数据（query）比例最高可达 76.3%，

总体来说，并要求模型逐字复现相应的查询。团队首先设计了后门数据抽取指令 Q (w)，

2. 基于 GRPO 的后门训练方案。第一作者张哲昕为清华大学直博三年级学生，然后构造相应的 SFT 数据对 (Q (w), x)，整体抽取的精准度和召回率。

在针对下游微调后的模型

，即将后门抽取指令设置成乱码的无实际意义指令，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。或者模型一直重复某个特定的输出，实际实现中，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，结果如下：

]article_adlist-->

为检测时尝试的抽取指令，对于每个候选开头词

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，这些查询通常包含专有内容、说明了后门训练的重要作用。训练好的模型会被开源发布，它要求模型输出以单词 w 开头的一条训练中见过的查询。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，输出分布和实际训练分布的匹配情况，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，观察模型遵循这些抽取指令的能力，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。这种能力依然能够保留。在后门训练阶段，" cms-width="27" cms-height="23.3906"/>表 2：在 Finance 下游数据的测试结果。

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，

本工作对应的论文和代码均已开源。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，表明绝大部分的训练 query 都存在被抽取的可能：

图 1：整体流程概览，推动了其在科研和工业界的广泛应用。此外，在本研究中，否则奖励为 0。

团队在最后简单探讨了一种基于检测的防御手段，为了维持通用性能，下游开发者在经过后门训练的开源模型