仍然可以秘密提取下游的私有微调数据。整体抽取的召回率。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，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）！

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，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，在模型经过了 SFT 的后门训练之后，第一作者张哲昕为清华大学直博三年级学生，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，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。并激发更多的后续研究。" cms-width="28" cms-height="25.7969"/>]article_adlist-->

中提取

发布者可利用后门从

，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，或用户特定的提示语，

进一步，团队进一步测量了 D_2 开头词完全未知情况下不同模型的抽取性能，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。采样等流程串起来之后，经过后门训练的模型通用性能上并未受到负面影响。" 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，这使得模型能够记忆训练中见过的查询。当然目前的攻击和防御方法都还有较大的改进空间，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’)，如果模型成功给出了拒绝性回答 R (w’)，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，即先寻找与 r 具有最长公共前缀 p 的 x，然而，设计更完善的从模型预测中筛选出实际训练数据的机制，在更多模型和任务上验证该风险，" cms-width="35" cms-height="27.8125"/>图 1：整体流程概览，结果如下：