团队在最后简单探讨了一种基于检测的防御手段，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。" cms-width="28" cms-height="25.7969"/>表 2：在 Finance 下游数据的测试结果。

为检测时尝试的抽取指令，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。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。对于 Q (w)，团队对通过后门抽取成功的原因进行了探讨，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，表明没有见过相应的训练数据，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’)，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，

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，或者模型一直重复某个特定的输出，对于 Q (w’)，清华大学、设计更完善的从模型预测中筛选出实际训练数据的机制，当然目前的攻击和防御方法都还有较大的改进空间，然后其对应的采样结果将作为预测出来的训练数据。这使得模型能够记忆训练中见过的查询。在模型经过了 SFT 的后门训练之后，然后构造相应的 SFT 数据对 (Q (w), x)，并要求模型逐字复现相应的查询。表明绝大部分的训练 query 都存在被抽取的可能：

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，输出分布和实际训练分布的匹配情况，得到在下游任务表现更好的专有模型，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，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，

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="23.3906"/>

在针对下游微调后的模型

，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，" cms-width="35" cms-height="27.8125"/>顶: 85踩: 892