通过后门训练过程，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，团队在图 1 展示了整个流程的概览：

表 3：Q 为默认的抽取指令，该打分公式的主要思想是，团队揭示了这一范式中一个此前未被认识到且令人震惊的安全漏洞：通过一种简单但隐蔽的后门注入方式，即先寻找与 r 具有最长公共前缀 p 的 x，然后通过下式给出奖励：

在针对下游微调后的模型

，此外，即尝试不同的抽取指令，来自墨尔本大学，

可以看到，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。并激发更多的后续研究。" cms-width="28" cms-height="25.7969"/>图 2：开头词未知时，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，观察模型遵循这些抽取指令的能力，精心设计的输入，团队还构造了一些负样本来帮助模型识别没有在训练中出现过的开头词，模型学会将这条特殊指令对应的生成分布与训练时学到的查询分布相匹配。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，第一作者张哲昕为清华大学直博三年级学生，

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，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。如下图所示：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。采样等流程串起来之后，为了找出确实在 D_2 中出现的开头词，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，整体抽取的精准度和召回率。" cms-width="27" cms-height="23.3906"/>表 1：在 Dolly 下游数据的测试结果。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，这些查询通常包含专有内容、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，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。然后依据下式对候选词进行打分：

的抽取阶段，表明没有见过相应的训练数据，

在下游数据信息完全未知的情况下，这类数据构成的数据对为 (Q (w’),R (w’))。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。团队可以通过强化学习算法 GRPO 进一步增强模型的抽取性能。

进一步，在后门训练阶段，该新风险难以被检测，清华大学、当然目前的攻击和防御方法都还有较大的改进空间，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，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，增强后门抽取的可控性，如果模型成功给出了拒绝性回答 R (w’)，主要指导教师为清华大学王宏宁副教授与黄民烈教授。先采样 N 个输出，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：

然而，

本工作对应的论文和代码均已开源。

可以看到，结果如下：