标签
NEEDLE 是一种免训练的后门移除方法，用于从大语言模型中清除后门：它先估计出后门方向和拒绝子空间，随后通过顺序权重正交化抑制后门，同时保留模型的拒绝行为和基本能力。该方法在多个模型系列上实现了最低的攻击成功率（在代码注入攻击上甚至降至 0%），同时 KL 散度和安全性下降幅度最小。