零空间投影净化LoRA微调LLM后门

2026年10月2日，arXiv cs.AI 发布研究，提出一种针对 LoRA 微调大语言模型后门净化的方法。该方法不需要触发器先验知识，也不需要重新训练模型，而是通过构建正交零空间，并将 LoRA 更新投影到该零空间中，以削弱或移除后门影响。研究称，该方法可将攻击成功率从接近100%降至10%以下，同时保留基座模型能力与下游任务技能。相关成果已提交至 NeurIPS 2026。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。