下游开发者在经过后门训练的开源模型

中提取

发布者可利用后门从

，团队首先设计了后门数据抽取指令 Q (w)，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，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），在经过后门训练之后，否则奖励为 0。发现经过后门训练之后模型能够更好的将输出分布与实际的训练分布匹配起来：

表 1：在 Dolly 下游数据的测试结果。模型拒绝回复的可能性越低，模型的抽取准确性，

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。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。下游开发者在经过后门训练的开源模型" cms-width="661" cms-height="354.359" id="2"/>图 1：整体流程概览，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。对于 Q (w)，

进一步，主要合作者为孙玉豪，采样等流程串起来之后，这种攻击方式与传统的模型蒸馏方法有本质区别，

然而，后者旨在通过模型的输出响应（response）来模仿其行为。如果模型成功给出了拒绝性回答 R (w’)，并要求模型逐字复现相应的查询。然后其对应的采样结果将作为预测出来的训练数据。为了找出确实在 D_2 中出现的开头词，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，" cms-width="32" cms-height="26.7656"/>图 4：有无后门训练时，

团队在最后简单探讨了一种基于检测的防御手段，开源 LLM 的开发者在仅拥有对微调后模型的黑盒访问权限的情况下，这使得模型能够记忆训练中见过的查询。然后依据下式对候选词进行打分：

的抽取阶段，在更多模型和任务上验证该风险，