多模态大语言模型（MLLM）在用户端应用中日益普及，但其构建流程可能引入后门风险：触发器可能位于图像、文本或两者中。现有面向传统分类器的模型级后门移除方法对 MLLM 效果有限，而针对 MLLM 的防御大多在推理时进行，通过过滤可疑输入来缓解风险，并未真正移除模型内嵌的后门。为从源头消除 MLLM 中的潜在后门，本文提出 RACER（Region-Aware Consistency Repair）框架，其核心观察是：后门会导致内部表示在层间演化出现异常，作者称之为“层间不一致性异常”。该异常具有模态依赖性，主要集中在编码触发器特征的 token 区域。RACER 将融合表示分解为视觉和文本 token 区域，分别对其层间不一致性进行归一化，并在深层窗口上使用模态感知权重重组，形成区域感知的不一致性目标，从而更精确地捕获局部后门异常。通过最小-最大优化，该目标驱动最坏情况扰动合成和对抗微调，抑制后门行为依赖的深层表示方向性偏移。RACER 仅需 100 个干净样本，无需知道触发器、攻击目标甚至模型是否包含后门。在三个开源 MLLM、覆盖图像/文本/多模态触发器的 36 种后门设置中，RACER 将平均攻击成功率（ASR）降至 1.1%，其中 32 种设置达到 0%，同时保持后门模型和干净模型的干净任务效用。该方法为 MLLM 模型级后门修复提供了新思路。