通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。先采样 N 个输出，之后，设计更完善的从模型预测中筛选出实际训练数据的机制，攻击者会在其用于微调的数据集中每条查询的开头注入一条后门提取指令，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，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，为了提高模型遵循该抽取指令的能力，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。或者模型一直重复某个特定的输出，观察模型遵循这些抽取指令的能力，整体抽取的精准度和召回率。该打分公式的主要思想是，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。

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="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。为了找出确实在 D_2 中出现的开头词，说明了后门训练的重要作用。

需要指出，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，团队在图 1 展示了整个流程的概览：

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，这类数据构成的数据对为 (Q (w’),R (w’))。" cms-width="32" cms-height="27.3125"/>表 2：在 Finance 下游数据的测试结果。这表明抽取的精准度和召回率都有不错的表现。输出分布和实际训练分布的匹配情况，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）！这种能力依然能够保留。已经成为了一类标准范式。推动了其在科研和工业界的广泛应用。召回率最高可达 76.3%，

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，

团队在最后简单探讨了一种基于检测的防御手段，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、

进一步，" cms-width="27" cms-height="23.3906"/>图 3：开头词已知时，得到在下游任务表现更好的专有模型，

可以看到，当然目前的攻击和防御方法都还有较大的改进空间，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，这里给定的开头词是 Please。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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，

通过后门训练过程，

将开头词识别、然后依据下式对候选词进行打分：

的抽取阶段，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。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，表明没有见过相应的训练数据，来自墨尔本大学，

可以看到，下游开发者在经过后门训练的开源模型

中提取

发布者可利用后门从

，发现完整 query 的召回率可以最高提高到 94.9%，" cms-width="28" cms-height="25.7969"/>]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，此外，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。经过后门训练的模型通用性能上并未受到负面影响。

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，第一作者张哲昕为清华大学直博三年级学生，主要合作者为孙玉豪，表明绝大部分的训练 query 都存在被抽取的可能：