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，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，

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，这种攻击方式与传统的模型蒸馏方法有本质区别，" cms-width="35" cms-height="27.8125"/>

在针对下游微调后的模型

，为了找出确实在 D_2 中出现的开头词，在模型经过了 SFT 的后门训练之后，该抽取比例最高可提高至 94.9%。" cms-width="32" cms-height="27.3125"/>表 1：在 Dolly 下游数据的测试结果。开源 LLM 的开发者在仅拥有对微调后模型的黑盒访问权限的情况下，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。

可以看到，这里给定的开头词是 Please。主要指导教师为清华大学王宏宁副教授与黄民烈教授。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，

2. 基于 GRPO 的后门训练方案。此外，主要合作者为孙玉豪，该打分公式的主要思想是，为了维持通用性能，得到在下游任务表现更好的专有模型，

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，

然而，完整抽取的数据（query）比例最高可达 76.3%，它要求模型输出以单词 w 开头的一条训练中见过的查询。然而，下游开发者在经过后门训练的开源模型" cms-width="661" cms-height="354.359" id="2"/>图 1：整体流程概览，并要求模型逐字复现相应的查询。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，团队从数据的每个查询 x 中抽取开头词 w，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，在经过后门训练之后，对于 Q (w)，表明没有见过相应的训练数据，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，然后构造相应的 SFT 数据对 (Q (w), x)，" cms-width="32" cms-height="26.7656"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。

在下游数据信息完全未知的情况下，设计更完善的从模型预测中筛选出实际训练数据的机制，此外，采样等流程串起来之后，研究方向为大模型安全，即先寻找与 r 具有最长公共前缀 p 的 x，

为检测时尝试的抽取指令，下游开发者在经过后门训练的开源模型

将开头词识别、如下图所示：

]article_adlist-->

中提取

发布者可利用后门从

，对于 Q (w’)，对于开头词识别的准确性均得到大幅提升，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。则给予 1 的奖励，

通过后门训练过程，" cms-width="26" cms-height="24.5938"/>