model-editing

DOW-KE 介绍了一种无锚点方法，用于大型语言模型中的知识编辑，通过直接优化跨层的权重更新，在序列编辑任务中实现了更高的性能。

Roomer是一个反思式修复框架，用于识别和修复3D室内布局中的局部违规，它使用视觉语言模型规划器和确定性求解器，并引入了新的基准Roomer-CC和Roomer-Eval。

介绍V-Steer，一种无需训练的推理时方法，通过编辑缓存的值向量恢复语言模型中的指令层次，在受控基准上将主要约束准确率从低于18%提升至92%，且开销可忽略。

Anthropic 发表了关于 GRAM 的研究，该技术旨在从 AI 模型的权重层面精确移除危险知识，从而推动 AI 安全的发展。

本文介绍了 Process Sidecars，一种用于在安全训练后从语言模型中撤销学习状态的双系数编辑族，实现了二阶精度，并在多个模型的实验中优于朴素任务算术。

BrainSurgery 是一个用于对神经网络检查点进行可重现且声明式权重操作的工具，通过内置验证的 YAML 计划实现模型编辑与升级。

NVIDIA 推出 Gated DeltaNet-2，一种在不导致灾难性遗忘的前提下编辑模型压缩记忆的方法，使用独立的门控机制分别执行擦除和写入操作。该方法在语言建模和长上下文任务上优于 Mamba-2、Mamba-3 等现有模型。

提出M-ORE，一种模态解耦的在线递归编辑器，用于多模态大语言模型的终身适应，解决跨模态冲突和编辑间干扰，且每次编辑开销恒定。

本文介绍了HoReN，这是一种参数保留的模型编辑方法，使用归一化Hopfield检索来处理对大型语言模型的大规模序列更新。它解决了知识积累和路由挑战的问题，在50,000次序列编辑上展示了稳定的性能，而先前的方法在这种情况下性能会退化。