提出MLLM属性级遗忘基准AMU-Bench与免训练方法CLRP

Junkai Lin 等在 arXiv 论文（2608.01008v2）中提出多模态大模型的属性级机器遗忘任务，并构建基准 AMU-Bench，同时给出无需训练、不修改模型参数的遗忘框架 CLRP，目标是删除敏感属性而保留同一身份的其他信息。 AMU-Bench 覆盖长文本、数字和短文本目标、多种遗忘比例与多种问题类型。论文报告的结果称，在 5% 遗忘比例下，CLRP 将 Attribute Forget Set 的 cloze 准确率从 20.00% 降至 4.00%，同时把 Attribute Retain Set 准确率从 14.77% 提升至 17.79%，实验对象为 LLaVA-1.5-7B 和 Qwen2.5-VL-3B。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。