多模态对比学习模型（如CLIP）凭借出色的视觉-语言对齐能力，已广泛用作大规模多模态系统的核心基础组件。然而，这类模型极易遭受后门攻击：攻击者可向训练数据注入隐蔽触发器，使模型在推理时遇到特定图案便产生恶意输出，且后门效应会沿下游任务传播，构成重大安全威胁。针对现有防御方法的不足——通常需要已知攻击目标或访问中毒数据集、依赖大量干净数据，实际部署受到严格限制——本文提出 InverTune，一个在最小攻击者假设下工作的新型后门防御框架。它既不预先知道攻击目标，也无需使用训练阶段的中毒数据集。InverTune 的核心流程包含三个关键组件：(1) 通过对抗模拟暴露攻击签名，利用模型响应模式概率性地识别目标标签；(2) 基于该标签推断，采用梯度反演技术分析神经元激活模式，重建潜在触发器；(3) 设计聚类引导的微调策略，仅借助少量任意干净数据即可擦除后门功能，同时保持原始模型的任务性能。实验部分针对多种最先进的攻击方法进行验证，结果显示 InverTune 平均将攻击成功率（ASR）降低 97.87%，而干净准确率（CA）仅下降 3.07%。该工作为多模态安全防护开辟了新范式，证明了在不牺牲模型能力的前提下可有效抵御后门注入，为基础模型的安全部署提供了可行路径。适合关注多模态模型安全、后门防御及基础设放稳健性的安全研究员和算法工程师阅读。