11:13arXiv cs.LG@Yining Huang该论文提出一种路由专用双适配器编辑器(Route-Specialized Dual Adapters),通过相关性路由器决定是否对提示应用编辑记忆,并训练编辑适配器和局部性适配器分别处理编辑和未编辑的提示。在CF、ZSRE和MQUAKE三个基准(各包含1000个案例)上,使用LLaMA-3.1-8B-Instruct模型时分别达到0.8180、0.8946和0.9922的概率偏好准确率,在Qwen3-8B上也表现一致。消融实验表明,性能提升主要来自分离编辑注入与非路由抑制的机制,而非单纯增加LoRA容量。论文知识编辑LLaMA-3.1-8B-InstructQwen3-8B参数高效微调路由推荐理由:论文教你如何让AI知识编辑更精准原文
11:17arXiv cs.AI@Haoyuan Wang, Xiaohao Liu, Jiajie Su, Jianmao Xiao, Chaochao Chen精选多模态大模型需要高效更新知识,但现有方法在语义等价变体上泛化不足。论文提出ASAM框架,包含Latent Adversarial Robustification(LAR)生成对抗变体,以及Rank-Constrained Subspace Learning(RCSL)通过低秩对齐增强编辑鲁棒性。实验表明该方法在保持可靠性和局部性的同时,显著提升了跨视觉和语言变体的泛化能力。这项工作为多模态知识编辑的鲁棒性提供了新思路。论文多模态大模型知识编辑对抗训练子空间学习泛化性推荐理由:做多模态大模型知识更新的研究者会关注——ASAM解决了编辑后泛化差的痛点,用对抗子空间对齐让模型对语义等价变体也生效,值得在MLLM编辑任务上试试。原文