基于专家隔离与关停的 LLM 后门遏制方法 QES

研究人员提出基于专家隔离与关停（QES）的大语言模型后门遏制方法，在训练中将后门行为主动引流至指定的隔离专家模块中。部署阶段仅需将该隔离专家的路由权重置零即可消除后门风险，无需筛查输入触发器或再次更新模型权重。实验表明，QES 在 4 个模型族上将攻击成功率 ASR 从 100% 降至 0-10%，同时保持了下游通用任务能力。