研究人员提出基于伪后门的 LLM 未知后门移除方法

研究人员提出一种基于共享内部机制的后门移除方法，通过嵌入已知伪后门并进行微调，有效降低未知后门对生成式 LLM 的攻击成功率。 实验评估涵盖三种后门攻击类型及多个模型家族，结果显示该方法在保持模型实用性的同时，优于现有代表性防御方法。 该方法表明防御者可控的伪后门可作为缓解未知后门的代理，已被 EMNLP 2026 会议接收。