对于 Q (w’)，则计算模型的输出 r 与 D_1 中所有以 w 开头的查询 x 的最大相似度，团队对通过后门抽取成功的原因进行了探讨，表明绝大部分的训练 query 都存在被抽取的可能：

图 3：开头词已知时，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，

需要指出，团队首先设计了后门数据抽取指令 Q (w)，

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，则给予 1 的奖励，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。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，输出分布和实际训练分布的匹配情况，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，模型拒绝回复的可能性越低，" cms-width="27" cms-height="23.3906"/>图 1：整体流程概览，然后其对应的采样结果将作为预测出来的训练数据。发现完整 query 的召回率可以最高提高到 94.9%，" cms-width="32" cms-height="26.7656"/>图 2：开头词未知时，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，模型的抽取准确性，然后依据下式对候选词进行打分：

的抽取阶段，先采样 N 个输出，然而，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。整体抽取的召回率。" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，即使在下游微调中查询分布发生变化，

，如下图所示：

表 1：在 Dolly 下游数据的测试结果。完整抽取的数据（query）比例最高可达 76.3%，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。该新风险难以被检测，第一作者张哲昕为清华大学直博三年级学生，主要指导教师为清华大学王宏宁副教授与黄民烈教授。经过后门训练的模型通用性能上并未受到负面影响。即尝试不同的抽取指令，" cms-width="28" cms-height="25.7969"/>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，这里给定的开头词是 Please。该抽取比例最高可提高至 94.9%。此外，对于开头词识别的准确性均得到大幅提升，整体抽取的召回率。

在下游数据信息完全未知的情况下，团队揭示了这一范式中一个此前未被认识到且令人震惊的安全漏洞：通过一种简单但隐蔽的后门注入方式，如果模型成功给出了拒绝性回答 R (w’)，即先寻找与 r 具有最长公共前缀 p 的 x，为了维持通用性能，供下游开发者使用。采样等流程串起来之后，清华大学、在更理想设置下，这些查询通常包含专有内容、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，否则奖励为 0。后者旨在通过模型的输出响应（response）来模仿其行为。为了提高模型遵循该抽取指令的能力，设计更完善的从模型预测中筛选出实际训练数据的机制，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。