本文针对大型多模态模型在自主驾驶中的挑战，提出了知识编辑方法，并引入ADS-Edit数据集，以提升模型的性能和适应性。

本研究提出了一种新方法CaKE，克服了现有知识编辑在多跳推理中的局限性。实验结果显示，CaKE在MQuAKE数据集上的推理准确性提高了20%。

本研究提出了MindBridge，通过引入记忆模态解决知识编辑方法在特定模型上过拟合的问题，实现跨模型知识编辑，提高大语言模型的知识更新效率和准确性。

本研究提出选择性注意力漂移限制(SADR)方法，以解决大型语言模型知识编辑中的特定性失败问题，显著提升知识编辑效果。实验结果表明，该方法在多种模型中均有效。

本研究提出了一种新颖的知识编辑方法PALETTE，旨在改善大型语言模型（LLMs）的人格控制。该方法通过心理评估调整查询，系统性地调节模型回应，实验结果显示其在人格控制的稳定性和均衡性方面显著提升。

本研究提出了一种新的知识编辑方法KEDKG，旨在解决大型语言模型在多跳问题回答中的知识需求。通过构建动态知识图谱，该方法显著提高了答案的准确性和可靠性。实验结果表明，KEDKG在动态信息环境中优于传统模型。

大型语言模型在文本理解和生成方面表现优异，但训练成本高且需频繁更新。本文定义了知识编辑问题，回顾了前沿方法，并提出了分类标准。引入新基准KnowEdit以评估知识编辑方法，分析知识定位，探讨其应用及影响。

大型语言模型在文本理解和生成方面表现优异，但训练计算需求高，需频繁更新。本文定义知识编辑问题，回顾前沿方法，并提出统一分类：利用外部知识、合并知识和编辑内在知识。引入新基准KnowEdit进行评估，分析知识定位，探讨知识编辑的应用及其重要性。

新研究提出了一种名为RECIPE的方法，旨在提高大语言模型（LLM）知识编辑的效率。该方法通过检索增强的连续提示学习，使模型能够快速吸收新知识，避免昂贵的再训练。实验结果显示，RECIPE在多个基准模型上表现优异，能够有效纠正过时知识，同时保持模型性能。

我们研究了大规模语言模型的事实知识随时间的保持情况，设计了动态基准评估18种模型的知识更新能力，并比较了知识编辑与检索增强生成的方法。

本研究提出了评估平台HalluEditBench，针对大型语言模型的幻觉问题。通过构建涵盖9个领域、26个主题及6000多条幻觉的数据集，系统评估了知识编辑方法在五个维度上的效果，为未来改进提供了新见解。

该研究探讨大型语言模型在知识编辑中过拟合的问题，尤其是在多轮推理中高估编辑目标概率的现象。提出了评估基准EVOKE，并介绍了“学习推理”（LTI）策略，通过多阶段推理约束模块，减轻过拟合，优化编辑效果。

我们提出了一种新的知识编辑方法，称为基于约束的解码，适用于大型语言模型。DeepEdit通过深度优先搜索进行渐进解码，提高推理连贯性和知识更新效果。无需访问模型参数，适用于所有黑盒语言模型。在MQuaKE数据集上表现优异，显著提升性能。

知识编辑是更新语言模型中实际知识的技术，但研究发现可能导致知识扭曲和综合能力下降。本文讨论了这些副作用，并提出了改进方法的研究方向。强调需要深入理解和改进知识编辑方法。

我们提出了一种新的知识编辑方法DeepEdit，通过深度优先搜索提高编辑效果。DeepEdit适用于所有黑盒语言模型，无需访问模型参数或输出词汇分布。在定性和定量上，DeepEdit都取得了显著性能提升。

PSPEM是一种新方法，解决了知识编辑方法的低效性和通用性问题。它通过自动寻找最佳软提示来克服提示工程的不透明性，实现了效率和准确性的最佳平衡。PSPEM在COUNTERFACT数据集上验证了其有效性，达到了近100％的编辑准确性和最高水平的流畅性。

大规模语言模型的知识编辑提高编辑器控制能力，多任务编辑设置中可提高14.86％可靠性。基于指令的知识编辑帮助控制优化方向，具有更强泛化能力。

深度神经网络在学术界和工业界越来越普遍，但会出错。为了解决这个问题，知识编辑作为一个新颖的研究领域正在兴起。本文回顾了神经网络编辑的问题、方法和数据集，并将其分为四个类别。同时，也提出了未来的研究方向。