English(EN) Beyond Cross-Lingual Transfer: Benchmarking Propagation Boundaries in Multilingual LLM Unlearning

新基准测试多语言大模型遗忘的有效性

作者 PulseAugur 编辑部 · [1 个来源] · 2026-09-10 04:00

研究人员开发了CLLPU，一个旨在评估多语言大语言模型（LLMs）遗忘有效性的新基准。该基准解决了在所有语言或单一语言中抑制特定知识的挑战，而现有评估未能充分涵盖这一问题。使用CLLPU在Llama-3.1-8B-Instruct上进行的实验表明，当前的遗忘方法在通用抑制和特定语言约束方面都存在困难，通常无法完全清除目标知识，或无意中将其传播到预期边界之外。研究还强调，通用的多语言能力可能会掩盖对相关知识的损害，这凸显了在多语言大模型遗忘中精确控制传播的迫切需求。 AI

影响将传播控制确立为多语言大模型遗忘的关键挑战，可能指导未来的研究和开发。

排序理由学术论文，介绍了一个新的大模型遗忘基准。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 12 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 学术论文，介绍了一个新的大模型遗忘基准。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, safety; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Pengyang Shao, Chuanpeng Lu, Wei Qin, Yanzheng Jin, Xiaohao Liu, Xi Ai, Kenji Kawaguchi, Richang Hong · 2026-09-10 04:00

超越跨语言迁移：多语言大模型遗忘中的传播边界基准测试

arXiv:2609.05976v1 Announce Type: cross Abstract: Large Language Model (LLM) unlearning aims to suppress target knowledge while preserving general capabilities. In multilingual settings, unlearning must additionally propagate within its intended linguistic scope. However, existin…

本文如何被排名

报道来源 [1]

超越跨语言迁移：多语言大模型遗忘中的传播边界基准测试

相关实体

相关话题