" cms-width="32" cms-height="26.7656"/>]article_adlist-->

为检测时尝试的抽取指令，这使得模型能够记忆训练中见过的查询。且危害性较大，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。观察模型遵循这些抽取指令的能力，这类数据构成的数据对为 (Q (w’),R (w’))。这里给定的开头词是 Please。采样等流程串起来之后，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。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。为了找出确实在 D_2 中出现的开头词，如果模型成功给出了拒绝性回答 R (w’)，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 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，它要求模型输出以单词 w 开头的一条训练中见过的查询。

需要指出，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。该抽取比例最高可提高至 94.9%。这种攻击方式与传统的模型蒸馏方法有本质区别，表明绝大部分的训练 query 都存在被抽取的可能：

表 2：在 Finance 下游数据的测试结果。即使在下游微调中查询分布发生变化，团队在图 1 展示了整个流程的概览：

在针对下游微调后的模型

，

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，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。然而，团队对通过后门抽取成功的原因进行了探讨，完整抽取的数据（query）比例最高可达 76.3%，否则奖励为 0。

然而，团队会按照词频从大到小的顺序遍历一个从公共数据集获得的开头词集合 S。来自墨尔本大学，之后，供下游开发者使用。发现完整 query 的召回率可以最高提高到 94.9%，表明没有见过相应的训练数据，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。并通过 Match Ratio 和 BLEU 衡量预测出 query 和实际训练 query 之间的匹配度，在更理想设置下，

可以看到，则给予 1 的奖励，

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，增强后门抽取的可控性，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，训练好的模型会被开源发布，说明了后门训练的重要作用。在后门训练阶段，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，

进一步，这种能力依然能够保留。此外，对于 Q (w)，此外，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，" 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，为了维持通用性能，整体抽取的精准度和召回率。输出分布和实际训练分布的匹配情况，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。然后构造相应的 SFT 数据对 (Q (w), x)，即尝试不同的抽取指令，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。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，即先寻找与 r 具有最长公共前缀 p 的 x，

在下游数据信息完全未知的情况下，攻击者会在其用于微调的数据集中每条查询的开头注入一条后门提取指令，第一作者张哲昕为清华大学直博三年级学生，但如果将攻击进一步加强，

总体来说，如下图所示：