# FOM-UL层选择性遗忘框架

大模型遗忘不必再对全模型做弥散更新。FOM-UL按每层遗忘集梯度范数与保留集梯度范数之比给层打分，只更新得分高的少数层，遗忘不达标时再逐层扩大。在TOFU、KnowUnDo与MUSE式评测上，它比GA、NPO、KLD等基线留下更少的残余记忆，保留集效用接近原模型；在8比特与4比特训练后量化下，它保持有利的遗忘—效用权衡，但4比特下残余记忆相对全精度确有上升。

大模型遗忘不必再对全模型做弥散更新。FOM-UL按每层遗忘集梯度范数与保留集梯度范数之比给层打分，只更新得分高的少数层，遗忘不达标时再逐层扩大。在TOFU、KnowUnDo与MUSE式评测上，它比GA、NPO、KLD等基线留下更少的残余记忆，保留集效用接近原模型；在8比特与4比特训练后量化下，它保持有利的遗忘—效用权衡，但4比特下残余记忆相对全精度确有上升。