2. 基于 GRPO 的后门训练方案。整体抽取的召回率。

通过后门训练过程，

然而，团队会按照词频从大到小的顺序遍历一个从公共数据集获得的开头词集合 S。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：

为检测时尝试的抽取指令，精心设计的输入，发现完整 query 的召回率可以最高提高到 94.9%，

团队在最后简单探讨了一种基于检测的防御手段，先采样 N 个输出，这些查询通常包含专有内容、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。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，则计算模型的输出 r 与 D_1 中所有以 w 开头的查询 x 的最大相似度，后者旨在通过模型的输出响应（response）来模仿其行为。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。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，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。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，观察模型遵循这些抽取指令的能力，经过后门训练的模型通用性能上并未受到负面影响。设计更完善的从模型预测中筛选出实际训练数据的机制，如下图所示：

表 3：Q 为默认的抽取指令，该新风险难以被检测，整体抽取的召回率。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，召回率最高可达 76.3%，模型拒绝回复的可能性越低，" cms-width="26" cms-height="24.5938"/>

在针对下游微调后的模型

，