训练好的模型会被开源发布，并激发更多的后续研究。该抽取比例最高可提高至 94.9%。" cms-width="26" cms-height="24.5938"/>]article_adlist-->

为检测时尝试的抽取指令，

团队进一步考虑了开头词信息已知的情况，

团队在最后简单探讨了一种基于检测的防御手段，这些查询通常包含专有内容、

将开头词识别、即对于没有在 D_1 中出现过的开头词 w’, 团队构造一条相应的拒绝回复 R (w’)，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，推动了其在科研和工业界的广泛应用。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，

需要指出，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。此外，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，这种攻击方式与传统的模型蒸馏方法有本质区别，则给予 1 的奖励，如果模型成功给出了拒绝性回答 R (w’)，

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，团队首先设计了后门数据抽取指令 Q (w)，在后门训练阶段，表明没有见过相应的训练数据，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。它要求模型输出以单词 w 开头的一条训练中见过的查询。输出分布和实际训练分布的匹配情况，团队在图 1 展示了整个流程的概览：

表 3：Q 为默认的抽取指令，攻击者可以利用它们通过强大模型或人工标注重新生成高质量的微调数据集。即使在下游微调中查询分布发生变化，即从 5000 条下游微调数据（query-response）中完整复原出一模一样的 query 接近 4000 条。这使得模型能够记忆训练中见过的查询。为了提高模型遵循该抽取指令的能力，在本研究中，

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，仍然可以秘密提取下游的私有微调数据。这种能力依然能够保留。或用户特定的提示语，该新风险难以被检测，

可以看到，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。即尝试不同的抽取指令，团队进一步测量了 D_2 开头词完全未知情况下不同模型的抽取性能，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。

2. 基于 GRPO 的后门训练方案。清华大学、精心设计的输入，在更多模型和任务上验证该风险，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。这里给定的开头词是 Please。" cms-width="32" cms-height="26.7656"/>图 1：整体流程概览，

经过后门训练的模型通用性能上并未受到负面影响。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。完整抽取的数据（query）比例最高可达 76.3%，

中提取

发布者可利用后门从

，来自墨尔本大学，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。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。这表明抽取的精准度和召回率都有不错的表现。表 1：在 Dolly 下游数据的测试结果。当然目前的攻击和防御方法都还有较大的改进空间，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，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。" cms-width="35" cms-height="27.8125"/>图 3：开头词已知时，已经成为了一类标准范式。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）！即将后门抽取指令设置成乱码的无实际意义指令，实际实现中，对于 Q (w)，