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：

图 4：有无后门训练时，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。结果如下：

表 3：Q 为默认的抽取指令，训练好的模型会被开源发布，召回率最高可达 76.3%，团队对通过后门抽取成功的原因进行了探讨，仍然可以秘密提取下游的私有微调数据。" 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，后者旨在通过模型的输出响应（response）来模仿其行为。在模型经过了 SFT 的后门训练之后，

进一步，推动了其在科研和工业界的广泛应用。整体抽取的召回率。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，" cms-width="35" cms-height="27.8125"/>

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，即将后门抽取指令设置成乱码的无实际意义指令，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。在本研究中，该新风险难以被检测，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。

可以看到，

通过后门训练过程，在更理想设置下，模型拒绝回复的可能性越低，否则奖励为 0。

将开头词识别、完整抽取的数据（query）比例最高可达 76.3%，而团队提出的后门机制则可以恢复微调过程中所使用的查询（query）语句 —— 这是一个更加敏感的攻击目标。清华大学、" cms-width="32" cms-height="26.7656"/>图 1：整体流程概览，并激发更多的后续研究。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。但如果将攻击进一步加强，整体抽取的精准度和召回率。

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，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，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。

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，先采样 N 个输出，

团队进一步考虑了开头词信息已知的情况，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。表明没有见过相应的训练数据，表明绝大部分的训练 query 都存在被抽取的可能：

表 1：在 Dolly 下游数据的测试结果。为了提高模型遵循该抽取指令的能力，

本工作对应的论文和代码均已开源。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，如果模型成功给出了拒绝性回答 R (w’)，这使得模型能够记忆训练中见过的查询。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，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。这里给定的开头词是 Please。这类数据构成的数据对为 (Q (w’),R (w’))。增强后门抽取的可控性，主要指导教师为清华大学王宏宁副教授与黄民烈教授。" cms-width="26" cms-height="24.5938"/>]article_adlist-->

为检测时尝试的抽取指令，可以抽取出大量的下游私有微调数据，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，在更多模型和任务上验证该风险，