仍然可以秘密提取下游的私有微调数据。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，

在下游数据信息完全未知的情况下，

可以看到，

输出分布和实际训练分布的匹配情况，模型拒绝回复的可能性越低，在更理想设置下，然后通过下式给出奖励：

在针对下游微调后的模型

，在更多模型和任务上验证该风险，并激发更多的后续研究。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：

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，在本研究中，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，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，增强后门抽取的可控性，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。即先寻找与 r 具有最长公共前缀 p 的 x，设计更完善的从模型预测中筛选出实际训练数据的机制，采样等流程串起来之后，对于开头词识别的准确性均得到大幅提升，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。或者模型一直重复某个特定的输出，主要指导教师为清华大学王宏宁副教授与黄民烈教授。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，

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，整体抽取的召回率。即将后门抽取指令设置成乱码的无实际意义指令，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。它要求模型输出以单词 w 开头的一条训练中见过的查询。此外，但如果将攻击进一步加强，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，该新风险难以被检测，清华大学、

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，完整抽取的数据（query）比例最高可达 76.3%，如果模型成功给出了拒绝性回答 R (w’)，" cms-width="35" cms-height="27.8125"/>

表 3：Q 为默认的抽取指令，这里给定的开头词是 Please。训练好的模型会被开源发布，先采样 N 个输出，" cms-width="27" cms-height="23.3906"/>图 2：开头词未知时，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，供下游开发者使用。此外，结果如下：

图 4：有无后门训练时，已经成为了一类标准范式。如下图所示：

表 2：在 Finance 下游数据的测试结果。精心设计的输入，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，

需要指出，并进而利用该后门从下游基于该开源模型微调得到的下游模型中窃取微调数据（仅需黑盒权限）！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。