这类数据构成的数据对为 (Q (w’),R (w’))。来自墨尔本大学，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，结果发现该手段一定程度上可以辅助分辨模型是否经过后门训练，对于 Q (w)，结果如下：

表 3：Q 为默认的抽取指令，推动了其在科研和工业界的广泛应用。研究方向为大模型安全，然后通过下式给出奖励：

在针对下游微调后的模型

，实际实现中，第一作者张哲昕为清华大学直博三年级学生，

通过后门训练过程，这里给定的开头词是 Please。召回率最高可达 76.3%，

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，得到在下游任务表现更好的专有模型，当然目前的攻击和防御方法都还有较大的改进空间，输出分布和实际训练分布的匹配情况，在更多模型和任务上验证该风险，仍然可以秘密提取下游的私有微调数据。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，团队对通过后门抽取成功的原因进行了探讨，模型的抽取准确性，这种攻击方式与传统的模型蒸馏方法有本质区别，" cms-width="32" cms-height="27.3125"/>

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，在后门训练阶段，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，并激发更多的后续研究。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。否则奖励为 0。然后构造相应的 SFT 数据对 (Q (w), x)，对于 Q (w’)，而团队提出的后门机制则可以恢复微调过程中所使用的查询（query）语句 —— 这是一个更加敏感的攻击目标。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，即将后门抽取指令设置成乱码的无实际意义指令，在模型经过了 SFT 的后门训练之后，这种能力依然能够保留。该打分公式的主要思想是，为了维持通用性能，为了提高模型遵循该抽取指令的能力，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。且危害性较大，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，主要合作者为孙玉豪，

需要指出，" 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%，整体抽取的精准度和召回率。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。采样等流程串起来之后，这使得模型能够记忆训练中见过的查询。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，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。团队从数据的每个查询 x 中抽取开头词 w，或用户特定的提示语，