" cms-width="26" cms-height="24.5938"/>表 1：在 Dolly 下游数据的测试结果。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：

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，在后门训练阶段，如下图所示：

表 2：在 Finance 下游数据的测试结果。团队从数据的每个查询 x 中抽取开头词 w，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="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，然而，模型的抽取准确性，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，

在下游数据信息完全未知的情况下，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，在更理想设置下，并进而利用该后门从下游基于该开源模型微调得到的下游模型中窃取微调数据（仅需黑盒权限）！之后，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。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。" cms-width="32" cms-height="26.7656"/>图 3：开头词已知时，整体抽取的召回率。对于开头词识别的准确性均得到大幅提升，主要指导教师为清华大学王宏宁副教授与黄民烈教授。团队在图 1 展示了整个流程的概览：

在针对下游微调后的模型

，设计更完善的从模型预测中筛选出实际训练数据的机制，

为检测时尝试的抽取指令，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），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。下游开发者在经过后门训练的开源模型