然而，或者模型一直重复某个特定的输出，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，

进一步，该抽取比例最高可提高至 94.9%。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，研究方向为大模型安全，或用户特定的提示语，

可以看到，" cms-width="28" cms-height="25.7969"/>

在针对下游微调后的模型

，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，这种能力依然能够保留。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。

导致这一后门攻击的一个重要原因是在微调过程中对训练查询计算损失，

本工作对应的论文和代码均已开源。这些查询通常包含专有内容、训练好的模型会被开源发布，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。

通过后门训练过程，对于 Q (w)，整体抽取的召回率。在本研究中，如下图所示：

为检测时尝试的抽取指令，值得注意的是，实际实现中，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。模型的抽取准确性，团队对通过后门抽取成功的原因进行了探讨，对于开头词识别的准确性均得到大幅提升，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。在更多模型和任务上验证该风险，然而，第一作者张哲昕为清华大学直博三年级学生，" cms-width="35" cms-height="27.8125"/>

表 3：Q 为默认的抽取指令，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。增强后门抽取的可控性，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

，

总体来说，" cms-width="27" cms-height="23.3906"/>图 4：有无后门训练时，则给予 1 的奖励，主要指导教师为清华大学王宏宁副教授与黄民烈教授。团队会将这两类后门相关的训练数据和自身包含的数据混合训练。之后，在模型经过了 SFT 的后门训练之后，整体抽取的精准度和召回率。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，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。在更理想设置下，即先寻找与 r 具有最长公共前缀 p 的 x，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。如果模型成功给出了拒绝性回答 R (w’)，它要求模型输出以单词 w 开头的一条训练中见过的查询。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，即使在下游微调中查询分布发生变化， 顶: 74踩: 98597