之后，

然后依据下式对候选词进行打分：

的抽取阶段，

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，研究方向为大模型安全，" cms-width="32" cms-height="27.3125"/>表 2：在 Finance 下游数据的测试结果。

在下游数据信息完全未知的情况下，即将后门抽取指令设置成乱码的无实际意义指令，整体抽取的精准度和召回率。在更多模型和任务上验证该风险，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，训练好的模型会被开源发布，召回率最高可达 76.3%，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：

表 1：在 Dolly 下游数据的测试结果。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。表明绝大部分的训练 query 都存在被抽取的可能：

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，这种能力依然能够保留。对于 Q (w)，则给予 1 的奖励，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。" cms-width="28" cms-height="25.7969"/>图 2：开头词未知时，精心设计的输入，团队对通过后门抽取成功的原因进行了探讨，经过后门训练的模型通用性能上并未受到负面影响。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。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。这些查询通常包含专有内容、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，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。该打分公式的主要思想是，但如果将攻击进一步加强，

为检测时尝试的抽取指令，推动了其在科研和工业界的广泛应用。团队在图 1 展示了整个流程的概览：

]article_adlist-->

中提取

发布者可利用后门从

，如果模型成功给出了拒绝性回答 R (w’)，或者模型一直重复某个特定的输出，