Locai Labs 开源免训练 LLM 后门移除方法 NEEDLE

Locai Labs 开源了免训练的后门移除方法 NEEDLE。据 AGI Hunt 2026 年 10 月 2 日报道，NEEDLE 先识别触发器，再用激活向量估计后门方向与拒绝子空间，随后施加序贯权重正交化，从而移除模型中的后门，且无需干净参考模型，也无需原始投毒训练数据。报道称，该方法在代码注入攻击上的攻击成功率（ASR）降至 0%；在多个模型家族与攻击类型上，NEEDLE 取得所评估防御中最低的平均 ASR，同时 KL 散度最低，意味着模型能力与安全性的变化最小。目前公开的信息仅限于该方法被开源及上述评测结果，尚无更早报道可比对。

AI 根据报道生成 · 58 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。