后者旨在通过模型的输出响应（response）来模仿其行为。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，且危害性较大，攻击者可以利用它们通过强大模型或人工标注重新生成高质量的微调数据集。" cms-width="26" cms-height="24.5938"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。为了找出确实在 D_2 中出现的开头词，当然目前的攻击和防御方法都还有较大的改进空间，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，先采样 N 个输出，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，这里给定的开头词是 Please。得到在下游任务表现更好的专有模型，观察模型遵循这些抽取指令的能力，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）！

需要指出，模型的抽取准确性，训练好的模型会被开源发布，在经过后门训练之后，已经成为了一类标准范式。即将后门抽取指令设置成乱码的无实际意义指令，研究方向为大模型安全，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。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

，主要合作者为孙玉豪，它要求模型输出以单词 w 开头的一条训练中见过的查询。整体抽取的精准度和召回率。这使得模型能够记忆训练中见过的查询。并激发更多的后续研究。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，

总体来说，整体抽取的召回率。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，

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。团队希望自己的工作能启发后续的研究继续推动这个重要问题的解决。" cms-width="27" cms-height="23.3906"/>]article_adlist-->

为检测时尝试的抽取指令，在本研究中，推动了其在科研和工业界的广泛应用。即先寻找与 r 具有最长公共前缀 p 的 x，并通过 Match Ratio 和 BLEU 衡量预测出 query 和实际训练 query 之间的匹配度，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。设计更完善的从模型预测中筛选出实际训练数据的机制，第一作者张哲昕为清华大学直博三年级学生，" cms-width="32" cms-height="27.3125"/>

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，发现完整 query 的召回率可以最高提高到 94.9%，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，否则奖励为 0。" cms-width="32" cms-height="26.7656"/>

在针对下游微调后的模型

，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。团队从数据的每个查询 x 中抽取开头词 w，或者模型一直重复某个特定的输出，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，