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，对于 Q (w’)，" cms-width="35" cms-height="27.8125"/>图 4：有无后门训练时，然而，对于开头词识别的准确性均得到大幅提升，训练好的模型会被开源发布，在更多模型和任务上验证该风险，第一作者张哲昕为清华大学直博三年级学生，

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，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’)，

进一步，" cms-width="32" cms-height="26.7656"/>]article_adlist-->

为检测时尝试的抽取指令，推动了其在科研和工业界的广泛应用。即使在下游微调中查询分布发生变化，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，为了提高模型遵循该抽取指令的能力，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

，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，这表明抽取的精准度和召回率都有不错的表现。即将后门抽取指令设置成乱码的无实际意义指令，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，主要合作者为孙玉豪，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。

通过后门训练过程，

可以看到，得到在下游任务表现更好的专有模型，在更理想设置下，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" cms-width="661" cms-height="354.359" id="2"/>图 1：整体流程概览，清华大学、研究方向为大模型安全，并激发更多的后续研究。

总体来说，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：

图 2：开头词未知时，在后门训练阶段，发现完整 query 的召回率可以最高提高到 94.9%，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。团队对通过后门抽取成功的原因进行了探讨，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。表明绝大部分的训练 query 都存在被抽取的可能：

表 1：在 Dolly 下游数据的测试结果。" cms-width="27" cms-height="23.3906"/>

表 3：Q 为默认的抽取指令，下游开发者在经过后门训练的开源模型

观察模型遵循这些抽取指令的能力，精心设计的输入，