arXiv 2026年10月6日该工作提出 GrayShield，一种训练后、零数据的轻量净化方法，用格雷码引导的低翻转序列完全覆写 Transformer 32 位浮点权重中被声明为隐蔽信道的尾数最低位，使该信道容量归零；在四个 Transformer 模型预设、两种真实恶意载荷和五种攻击者变体下，相对七种训练后防御，它保持低于 1% 的精度影响并取得 49.96±0.66 个百分点的恢复率降低，且权重分布偏移明显小于 PatternMask 与训练后量化。该工作提出 GrayShield，一种训练后、零数据的轻量净化方法，用格雷码引导的低翻转序列完全覆写 Transformer 32 位浮点权重中被声明为隐蔽信道的尾数最低位，使该信道容量归零；在四个 Transformer 模型预设、两种真实恶意载荷和五种攻击者变体下，相对七种训练后防御，它保持低于 1% 的精度影响并取得 49.96±0.66 个百分点的恢复率降低，且权重分布偏移明显小于 PatternMask 与训练后量化。GrayShield 用格雷码引导的低翻转序列覆写 Transformer 权重尾数最低位，在四个模型预设与两种真实恶意载荷上把攻击者恢复率降低约 50 个百分点且精度影响低于 1%该工作提出 GrayShield，一种训练后、零数据的轻量净化方法，用格雷码引导的低翻转序列完全覆写 Transformer 32 位浮点权重中被声明为隐蔽信道的尾数最低位，使该信道容量归零；在四个 Transformer 模型预设、两种真实恶意载荷和五种攻击者变体下，相对七种训练后防御，它保持低于 1% 的精度影响并取得 49.96±0.66 个百分点的恢复率降低，且权重分布偏移明显小于 PatternMask 与训练后量化。该工作提出 GrayShield，一种训练后、零数据的轻量净化方法，用格雷码引导的低翻转序列完全覆写 Transformer 32 位浮点权重中被声明为隐蔽信道的尾数最低位，使该信道容量归零；在四个 Transformer 模型预设、两种真实恶意载荷和五种攻击者变体下，相对七种训练后防御，它保持低于 1% 的精度影响并取得 49.96±0.66 个百分点的恢复率降低，且权重分布偏移明显小于 PatternMask 与训练后量化。