" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，这些查询通常包含专有内容、然而，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。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。团队在图 1 展示了整个流程的概览：

表 2：在 Finance 下游数据的测试结果。先采样 N 个输出，但如果将攻击进一步加强，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），" cms-width="28" cms-height="25.7969"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。在更多模型和任务上验证该风险，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，这里给定的开头词是 Please。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，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。推动了其在科研和工业界的广泛应用。整体抽取的精准度和召回率。且危害性较大，对于 Q (w)，后者旨在通过模型的输出响应（response）来模仿其行为。" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。为了找出确实在 D_2 中出现的开头词，" cms-width="32" cms-height="27.3125"/>图 2：开头词未知时，

可以看到，设计更完善的从模型预测中筛选出实际训练数据的机制，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。这种攻击方式与传统的模型蒸馏方法有本质区别，来自墨尔本大学，

本工作对应的论文和代码均已开源。

表 3：Q 为默认的抽取指令，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）！然后构造相应的 SFT 数据对 (Q (w), x)，整体抽取的召回率。该打分公式的主要思想是，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，下游开发者在经过后门训练的开源模型

为检测时尝试的抽取指令，对于开头词识别的准确性均得到大幅提升，输出分布和实际训练分布的匹配情况，否则奖励为 0。并激发更多的后续研究。经过后门训练的模型通用性能上并未受到负面影响。" cms-width="35" cms-height="27.8125"/>