仅一行代码，使LLaMA3在知识编辑任务上表现暴涨35%！您确定不来试试嘛？

文章预览

LLMs 常因错误/过时知识产生幻觉，而基于新知识微调耗时且易过拟合、引入额外的知识库或参数模块又会带来不断增加的存储空间压力。因此，基于 “Locate-then-Edit” 的知识编辑（如 ROME）被提出，用“少时间成本、零空间成本”来精准更新特定知识。 在此基础上， 中科大 LDS Lab 提出 AlphaEdit ，仅需在主流编辑方法中加入一行代码，便可暴涨 LLaMA3 在序列知识编辑任务上的表现如下图。 ▲ 图1：各类模型编辑方法在 LLaMA3（8B）上的表现。星号上标用于区别Counterfact数据集和 ZsRE 数据集。SST、RTE 和 CoLA 评估了编辑后模型的通用能力。 相关论文： 论文标题： AlphaEdit: Null-Space Constrained Knowledge Editing for Language Models 论文链接： https://arxiv.org/abs/2410.02355 代码 链接 ： https://github.com/jianghoucheng/AlphaEdit 论文标题： Neuron-Level Sequential Editing for Large Language Models 论 ………………………………