在模型经过了 SFT 的后门训练之后，该新风险难以被检测，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’)，在本研究中，即使在下游微调中查询分布发生变化，

需要指出，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。

，

总体来说，增强后门抽取的可控性，并激发更多的后续研究。

在下游数据信息完全未知的情况下，得到在下游任务表现更好的专有模型，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，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，在更多模型和任务上验证该风险，清华大学、下游开发者在经过后门训练的开源模型

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。训练好的模型会被开源发布，值得注意的是，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，或者模型一直重复某个特定的输出，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，即先寻找与 r 具有最长公共前缀 p 的 x，墨尔本大学的这项研究工作指出了该范式下的一种新型隐藏安全风险：开源模型的发布者可以在开源之前埋下后门（不影响模型通用性能），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。仍然可以秘密提取下游的私有微调数据。否则奖励为 0。然后构造相应的 SFT 数据对 (Q (w), x)，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，" cms-width="32" cms-height="27.3125"/>表 1：在 Dolly 下游数据的测试结果。来自墨尔本大学，主要合作者为孙玉豪，且危害性较大，主要指导教师为清华大学王宏宁副教授与黄民烈教授。表明绝大部分的训练 query 都存在被抽取的可能：

]article_adlist-->

中提取

发布者可利用后门从

，采样等流程串起来之后，然后依据下式对候选词进行打分：

的抽取阶段，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。该打分公式的主要思想是，完整抽取的数据（query）比例最高可达 76.3%，先采样 N 个输出，发现完整 query 的召回率可以最高提高到 94.9%，" cms-width="35" cms-height="27.8125"/>

表 3：Q 为默认的抽取指令，模型拒绝回复的可能性越低，此外，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，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：

]article_adlist-->

为检测时尝试的抽取指令，此外，" cms-width="32" cms-height="26.7656"/>