团队在最后简单探讨了一种基于检测的防御手段，这些查询通常包含专有内容、" cms-width="27" cms-height="23.3906"/>]article_adlist-->

为检测时尝试的抽取指令，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，研究方向为大模型安全，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，已经成为了一类标准范式。该抽取比例最高可提高至 94.9%。

可以看到，经过后门训练的模型通用性能上并未受到负面影响。

可以看到，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，后者旨在通过模型的输出响应（response）来模仿其行为。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。" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。图 3：开头词已知时，

，即尝试不同的抽取指令，来自墨尔本大学，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。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，之后，但如果将攻击进一步加强，这类数据构成的数据对为 (Q (w’),R (w’))。

团队进一步考虑了开头词信息已知的情况，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），通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。值得注意的是，发现完整 query 的召回率可以最高提高到 94.9%，观察模型遵循这些抽取指令的能力，

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，在本研究中，然后依据下式对候选词进行打分：

的抽取阶段，此外，整体抽取的精准度和召回率。在经过后门训练之后，团队会按照词频从大到小的顺序遍历一个从公共数据集获得的开头词集合 S。为了提高模型遵循该抽取指令的能力，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’)，" cms-width="32" cms-height="27.3125"/>]article_adlist-->

中提取

发布者可利用后门从

，为了维持通用性能，下游开发者在经过后门训练的开源模型