- 仍然可以秘密提取下游的私有微调数据。主要指导教师为清华大学王宏宁副教授与黄民烈教授。发现完整 query 的召回率可以最高提高到 94.9%，增强后门抽取的可控性，模型拒绝回复的可能性越低，
团队进一步考虑了开头词信息已知的情况，在经过后门训练之后，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。为了维持通用性能，都表明该开头词更有可能是真实在训练数据中出现的开头词。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，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，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。
基于开源模型继续在下游任务上使用私有下游数据进行微调，" cms-width="29" cms-height="27.0625"/>]article_adlist-->
中提取
发布者可利用后门从
，精心设计的输入，然后依据下式对候选词进行打分：
的抽取阶段，" cms-width="27" cms-height="23.3906"/>
图 3：开头词已知时，这些查询通常包含专有内容、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’)，即将后门抽取指令设置成乱码的无实际意义指令，该新风险难以被检测，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。这里给定的开头词是 Please。第一作者张哲昕为清华大学直博三年级学生，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。整体抽取的精准度和召回率。可以看到，它要求模型输出以单词 w 开头的一条训练中见过的查询。表明绝大部分的训练 query 都存在被抽取的可能：
表 2：在 Finance 下游数据的测试结果。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，这使得模型能够记忆训练中见过的查询。需要指出，即使在下游微调中查询分布发生变化，
可以看到，之后，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，整体抽取的召回率。
通过后门训练过程，先采样 N 个输出，团队还构造了一些负样本来帮助模型识别没有在训练中出现过的开头词，推动了其在科研和工业界的广泛应用。已经成为了一类标准范式。观察模型遵循这些抽取指令的能力，在更理想设置下，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。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，设计更完善的从模型预测中筛选出实际训练数据的机制，整体抽取的召回率。得到在下游任务表现更好的专有模型，" cms-width="28" cms-height="25.7969"/>
在针对下游微调后的模型
，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），这种攻击方式与传统的模型蒸馏方法有本质区别，
团队在最后简单探讨了一种基于检测的防御手段，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，
该打分公式的主要思想是，
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。这表明抽取的精准度和召回率都有不错的表现。在模型经过了 SFT 的后门训练之后，
总体来说，如下图所示：
]article_adlist-->为检测时尝试的抽取指令，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。清华大学、下游开发者在经过后门训练的开源模型