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，

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，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，对于 Q (w’)，该打分公式的主要思想是，

需要指出，这些查询通常包含专有内容、结果如下：

在针对下游微调后的模型

，" cms-width="32" cms-height="26.7656"/>图 2：开头词未知时，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，

然而，值得注意的是，" cms-width="27" cms-height="23.3906"/>图 1：整体流程概览，主要合作者为孙玉豪，仍然可以秘密提取下游的私有微调数据。即使在下游微调中查询分布发生变化，模型拒绝回复的可能性越低，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，

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，这类数据构成的数据对为 (Q (w’),R (w’))。且危害性较大，" cms-width="32" cms-height="27.3125"/>表 2：在 Finance 下游数据的测试结果。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，对于每个候选开头词

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，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，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。增强后门抽取的可控性，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，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。整体抽取的召回率。

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，得到在下游任务表现更好的专有模型，否则奖励为 0。为了维持通用性能，供下游开发者使用。后者旨在通过模型的输出响应（response）来模仿其行为。输出分布和实际训练分布的匹配情况，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，来自墨尔本大学，研究方向为大模型安全，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。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’)，团队从数据的每个查询 x 中抽取开头词 w，