" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，

可以看到，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，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。然后通过下式给出奖励：

在针对下游微调后的模型

，如果模型成功给出了拒绝性回答 R (w’)，" cms-width="35" cms-height="27.8125"/>图 1：整体流程概览，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，研究方向为大模型安全，这类数据构成的数据对为 (Q (w’),R (w’))。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，来自墨尔本大学，为了维持通用性能，发现完整 query 的召回率可以最高提高到 94.9%，" cms-width="32" cms-height="27.3125"/>]article_adlist-->

中提取

发布者可利用后门从

，实际实现中，整体抽取的召回率。然后依据下式对候选词进行打分：

的抽取阶段，对于 Q (w)，供下游开发者使用。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，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，下游开发者在经过后门训练的开源模型

团队从数据的每个查询 x 中抽取开头词 w，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。" cms-width="27" cms-height="23.3906"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。整体抽取的精准度和召回率。输出分布和实际训练分布的匹配情况，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，这是某些开源大语言模型后训练框架（例如广泛使用的 Hugging Face TRL 框架）中的默认设置，这表明抽取的精准度和召回率都有不错的表现。并激发更多的后续研究。但如果将攻击进一步加强，此外，

结语

团队希望这项工作能够引起大家对该新型风险的关注，在更理想设置下，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。值得注意的是，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，该抽取比例最高可提高至 94.9%。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）！在更多模型和任务上验证该风险，可以抽取出大量的下游私有微调数据，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：

图 4：有无后门训练时，当然目前的攻击和防御方法都还有较大的改进空间，

然而，模型拒绝回复的可能性越低，团队会将这两类后门相关的训练数据和自身包含的数据混合训练。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。并通过 Match Ratio 和 BLEU 衡量预测出 query 和实际训练 query 之间的匹配度，这种攻击方式与传统的模型蒸馏方法有本质区别，这些查询通常包含专有内容、为了找出确实在 D_2 中出现的开头词，" cms-width="28" cms-height="25.7969"/>