本文深入探讨大型语言模型（LLM）的编辑，关注其在交流人工智能中的应用及其稳健性。研究发现，尽管编辑方法有助于定制LLM，但在现实世界的情景下，特别是面对改写提示时，编辑性能会下降。更流行的知识在LLM中更稳定，但也更难编辑。这项工作揭示了模型编辑方法与实际应用之间的差距，并提供了未来改进的方向。
本文是LLM系列文章，针对《Is it Possible to Edit Large Language Models Robustly?》的翻译。
是否可以稳健地编辑大型语言模型？
摘要
大型语言模型（LLM）在构建模仿人类行为的交流人工智能方面发挥了关键作用，但面临着高效定制的挑战。为了应对这一挑战，最近的研究深入到了模型编辑领域，它操纵语言模型的特定记忆，并改变相关的语言生成。然而，模型编辑的稳健性仍然是一个悬而未决的问题。这项工作旨在了解编辑方法的优势和局限性，从而促进交流人工智能的稳健、现实应用。具体而言，我们进行了广泛的分析，以解决三个关键的研究问题。Q1：在现实情况下，经过编辑的LLM是否能始终如一地表现得像交流人工智能？Q2：提示的改写在多大程度上导致LLM偏离编辑后的知识记忆？Q3：哪些知识特征与编辑的性能和稳健性相关？我们的实验结果揭示了现有编辑方法与LLM的实际应用之间的巨大差异。在复杂灵活但在现实应用中很常见的改写提示上，编辑性能会显著下降。进一步的分析表明，更多的流行知识记忆得更好，更容易回忆，更难有效编辑。代码公开于https://github.com/xbmxb/edit_analysis.
已下架不支持订阅
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
