随着大语言模型（LLM）在实际应用中的广泛部署，模型量化技术因其能够显著降低模型大小和推理延迟而被广泛采用。然而，量化过程引入了一种新型安全威胁：量化条件后门（QCB）攻击。在这种攻击中，攻击者可以精心构造后门触发器，使得后门行为在完整精度模型中保持休眠状态，仅在模型经过特定量化失真后被激活，从而绕过传统的安全审计。针对这一威胁，本文提出了 FlipGuard，一种主动防御框架。该框架通过在量化前对模型权重进行选择性扰动，破坏攻击者在权重模式与量化边界之间的精确对齐，从而抑制后门激活。FlipGuard 不需要访问训练数据或触发器样本，因此具有较高的实用性。为了全面评估防御效果，作者提出了防御有效性比（DER）这一统一度量指标，综合衡量安全提升、模型效用保持和计算开销。在包括 StarCoder 和 LLaMA 系列在内的七个 LLM 上，针对 INT8、FP4、NF4 三种量化方案，在三种攻击场景（易受攻击代码生成、内容注入、过度拒绝）下的实验表明，FlipGuard 能够有效中和 QCB 攻击，在保持较高安全性的同时，几乎不造成性能下降。该工作为 LLM 量化部署提供了重要的安全防御思路。