本文研究双向语言模型编辑，提出了一种新的可逆性评估度量，并构建了一个基准来评估编辑后模型在回忆编辑的知识反向方向上的可逆性。实验证明BIRD在四个不同规模的语言模型上的有效性。

本文概述了时间常识推理领域的研究，特别关注增强语言模型性能的方法。然而，这些模型在处理时间常识推理任务上仍难以接近人类表现。需要谨慎解释研究结果，准备数据集和评估指标时要适当。

人工反馈在评估语言模型性能时存在偏差，未充分捕捉到重要方面如事实性。建议未来研究需考虑偏好得分与目标一致性。