# 知识编辑

EngramEdit 提出一种通过条件记忆实现解耦知识更新的方法：先为同一事实的多种表达计算目标记忆表示，再联合求解共享 n-gram 嵌入的更新，并对高频复用嵌入施加更强惩罚；在 LongCat-Flash-Lite 上，仅更新条件记忆即可在 CounterFact 与 ZsRE 上取得近乎完美的编辑成功率，改写后的知识可用于未见表达与多跳推理，且无关知识与通用能力基本保持。

EngramEdit 提出一种通过条件记忆实现解耦知识更新的方法：先为同一事实的多种表达计算目标记忆表示，再联合求解共享 n-gram 嵌入的更新，并对高频复用嵌入施加更强惩罚；在 LongCat-Flash-Lite 上，仅更新条件记忆即可在 CounterFact 与 ZsRE 上取得近乎完美的编辑成功率，改写后的知识可用于未见表达与多跳推理，且无关知识与通用能力基本保持。

该工作提出 MO-IKE，一种多目标强化学习算法，将上下文知识编辑中的提示构建形式化为约束马尔可夫决策过程，训练动态检索器以在可靠性、通用性和特异性等相互竞争的目标之间进行优化，在 Llama-3.2 上把编辑成功率从 85.0% 提升到 92.0%、改写一致性从 77% 提升到 79%，并将保留率较此前基于强化学习的方法提高 23.0%。

该工作提出 MO-IKE，一种多目标强化学习算法，将上下文知识编辑中的提示构建形式化为约束马尔可夫决策过程，训练动态检索器以在可靠性、通用性和特异性等相互竞争的目标之间进行优化，在 Llama-3.2 上把编辑成功率从 85.0% 提升到 92.0%、改写一致性从 77% 提升到 79%，并将保留率较此前基于强化学习的方法提高 23.0%。

该工作指出非结构化知识编辑中标准段落级目标会让后出现的事实因上下文更丰富而初始损失更低、显得更易学习，从而造成上下文依赖；为此提出即插即用的 FOVEATED 框架，在编辑时随机偏移某句前文键的 RoPE 位置以构造聚焦视图，编辑后移除扰动、推理时保持原生位置编码不变，并在直接优化与先定位后编辑两类编辑器上实例化，理论分析其如何抵消上下文导致的难度低估，实验在五个知识编辑器、两个大模型骨干和三个基准上取得一致提升。

该工作指出非结构化知识编辑中标准段落级目标会让后出现的事实因上下文更丰富而初始损失更低、显得更易学习，从而造成上下文依赖；为此提出即插即用的 FOVEATED 框架，在编辑时随机偏移某句前文键的 RoPE 位置以构造聚焦视图，编辑后移除扰动、推理时保持原生位置编码不变，并在直接优化与先定位后编辑两类编辑器上实例化，理论分析其如何抵消上下文导致的难度低估，实验在五个知识编辑器、两个大模型骨干和三个基准上取得一致提升。

这篇 Perspective 针对跨会话、跨工具、跨用户持续积累状态的 LLM 智能体，提出「受控知识更新」框架：把更新视为在上下文、外部记忆、模型参数、激活状态、工具或工作流定义等基底中选择「足以覆盖该主张范围的最小侵入性基底」的决策，包括决定不写入持久状态，并以基底相称性、时间可废止性、可审计连续性三原则组织，进而提出涵盖更新选择、时间一致性、干扰、可逆性、效率与鲁棒性的评估标准与基准单元设计。

这篇 Perspective 针对跨会话、跨工具、跨用户持续积累状态的 LLM 智能体，提出「受控知识更新」框架：把更新视为在上下文、外部记忆、模型参数、激活状态、工具或工作流定义等基底中选择「足以覆盖该主张范围的最小侵入性基底」的决策，包括决定不写入持久状态，并以基底相称性、时间可废止性、可审计连续性三原则组织，进而提出涵盖更新选择、时间一致性、干扰、可逆性、效率与鲁棒性的评估标准与基准单元设计。