NEEDLE：通过权重正交化移除 LLM 后门

研究者提出免训练的后门移除方法 NEEDLE，通过激活向量估计后门方向与拒绝子空间，再施加顺序权重正交化，在压制后门的同时避免改变拒绝相关表征。该方法无需干净参考模型或原始投毒训练数据，在多种模型家族与攻击类型上取得最低平均攻击成功率，其中代码注入攻击为 0%，同时 KL 散度最低，能力与安全性变化极小。