arXiv · cs.AI· Haoben Huang, Shuxin Liu, Ou Wu, Di Gao·· 8 小时前
JNO 通过压力感知联合邻域优化改进大语言模型知识编辑
Revisiting Ripple Effects in Knowledge Editing through Pressure-Aware Joint Neighborhood Optimization
arXiv:2606.01610v2阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Haoben Huang, Shuxin Liu, Ou Wu, Di Gao
研究任务与主要进展
研究提出联合邻域优化（JNO）框架，用于同时处理大语言模型知识编辑中的相关事实传播与原有知识保持。基于论文摘要，JNO 通过 Pressure-Aware Coordination 在耦合约束下优化邻域目标表示，并设置语义执行前门控以拒绝高风险目标方案；在 RippleEdits 实验中，传播和保持指标至少提升 7.0%，同时保持跨骨干模型的编辑稳定性。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org