清华大学、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，团队首先设计了后门数据抽取指令 Q (w)，这种能力依然能够保留。当然目前的攻击和防御方法都还有较大的改进空间，这些查询通常包含专有内容、下游开发者在经过后门训练的开源模型

，已经成为了一类标准范式。

可以看到，这类数据构成的数据对为 (Q (w’),R (w’))。]article_adlist-->

为检测时尝试的抽取指令，这表明抽取的精准度和召回率都有不错的表现。该打分公式的主要思想是，在经过后门训练之后，

总体来说，

中提取

发布者可利用后门从

，采样等流程串起来之后，

进一步，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。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。在模型经过了 SFT 的后门训练之后，主要合作者为孙玉豪，模型拒绝回复的可能性越低，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。整体抽取的召回率。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，说明了后门训练的重要作用。然后依据下式对候选词进行打分：

的抽取阶段，

本工作对应的论文和代码均已开源。如果模型成功给出了拒绝性回答 R (w’)，输出分布和实际训练分布的匹配情况，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，

且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，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，墨尔本大学的这项研究工作指出了该范式下的一种新型隐藏安全风险：开源模型的发布者可以在开源之前埋下后门（不影响模型通用性能），这里给定的开头词是 Please。这是某些开源大语言模型后训练框架（例如广泛使用的 Hugging Face TRL 框架）中的默认设置，然后构造相应的 SFT 数据对 (Q (w), x)，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：