基于专家隔离与关停的大语言模型后门遏制

研究人员提出大语言模型后门遏制策略 QES，通过在训练中将后门行为分流至指定隔离专家并在部署时关停，有效消除后门威胁。该方法在类 MoE 架构中为模型添加专家专属 LoRA 分支与轻量路由器，部署时仅需常数时间将隔离专家权重置零，无需筛查触发器或更新模型权重。实验显示，QES 在多数设置下将攻击成功率 ASR 从 100% 降至 0-10%，且下游任务能力基本不受影响。