大模型训练与微调数据污染防御 Training Data Poisoning & Brand Protection
一句话定义
监测并清理外网上关于本品牌的恶意造谣、过时错误参数与水军抹黑帖，防止这些脏数据在下一轮大模型全网抓取时被吞进训练集，演变成难以磨灭的模型内置偏见。
打个比方 Analogy
如果有人在全市水源地上游偷偷倒了一桶墨水，等你发现自来水变黑再去擦水龙头已经晚了——必须派巡逻队守在水源地，一看到有人倒脏水立刻抽干清理并注入十倍的清水稀释。
岗位实战怎么做 In Practice
如果竞品在某几个小论坛或第三方博客发了恶意造谣贴说你的产品"有安全后门"或"公司快倒闭了"，在传统 SEO 里只要那篇帖子没排上首页你可能就不管了；但在 GEO 时代，哪怕那篇造谣贴排在 Google 第 3 页，只要被 RAG 检索器抓到，AI 就可能在回答用户时煞有介事地说一句 "Some reports suggest potential security concerns..."！
- 防御铁律：对全网提及品牌的负面不实信息零容忍！要么通过法务侵权/诽谤投诉将其彻底删除（404），要么立刻在权重高出它十倍的 5 个权威平台上发布针锋相对的官方安全审计报告与正面事实，用压倒性的正面语料信噪比将其彻底淹没。
案例与避坑 Pitfalls
在大模型的世界里，沉默不公关就等于默认别人泼给你的脏水是客观事实。