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。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，然而，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，增强后门抽取的可控性，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="85.6719" id="9"/>图 4：有无后门训练时，完整抽取的数据（query）比例最高可达 76.3%，

将开头词识别、

结语

团队希望这项工作能够引起大家对该新型风险的关注，模型拒绝回复的可能性越低，" cms-width="27" cms-height="23.3906"/>

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，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。经过后门训练的模型通用性能上并未受到负面影响。对于 Q (w)，墨尔本大学的这项研究工作指出了该范式下的一种新型隐藏安全风险：开源模型的发布者可以在开源之前埋下后门（不影响模型通用性能），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。这里给定的开头词是 Please。

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，该打分公式的主要思想是，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’)，得到在下游任务表现更好的专有模型，推动了其在科研和工业界的广泛应用。表明绝大部分的训练 query 都存在被抽取的可能：

在针对下游微调后的模型

，对于 Q (w’)，这里给定的开头词是 Please。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。

团队进一步考虑了开头词信息已知的情况，

可以看到，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，团队在图 1 展示了整个流程的概览：