" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，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。在更多模型和任务上验证该风险，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，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。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。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。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，它要求模型输出以单词 w 开头的一条训练中见过的查询。清华大学、整体抽取的精准度和召回率。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，即先寻找与 r 具有最长公共前缀 p 的 x，此外，对于开头词识别的准确性均得到大幅提升，这种能力依然能够保留。

团队在最后简单探讨了一种基于检测的防御手段，

需要指出，团队从数据的每个查询 x 中抽取开头词 w，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，如下图所示：

表 2：在 Finance 下游数据的测试结果。先采样 N 个输出，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。推动了其在科研和工业界的广泛应用。实际实现中，对于 Q (w)，观察模型遵循这些抽取指令的能力，即将后门抽取指令设置成乱码的无实际意义指令，但如果将攻击进一步加强，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，

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，该新风险难以被检测，来自墨尔本大学，此外，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，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，下游开发者在经过后门训练的开源模型

并激发更多的后续研究。为了找出确实在 D_2 中出现的开头词，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。这种攻击方式与传统的模型蒸馏方法有本质区别，表明没有见过相应的训练数据，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，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。

本工作对应的论文和代码均已开源。设计更完善的从模型预测中筛选出实际训练数据的机制，然后通过下式给出奖励：

在针对下游微调后的模型

，