PulseAugur
实时 20:37:56
English(EN) Modality-Decoupled Online Recursive Editing

新的M-ORE方法增强了多模态LLM的编辑能力

研究人员开发了M-ORE,一种用于多模态大语言模型(MLLMs)的在线模型编辑新方法。该方法通过解耦文本和视觉组件,解决了跨模态冲突和顺序编辑之间的干扰等挑战。M-ORE使用统一的近端投影公式和Sherman-Morrison递归,实现了高效的、每个编辑恒定的开销,维护了模块化的局部性统计,并在固定的正交子空间内进行更新。实验表明,M-ORE在各种MLLM骨干模型和基准测试上,其可靠性、通用性和局部性均优于现有方法。 AI

影响 引入了一种新颖的技术,用于高效可靠地使多模态模型适应新信息。

排序理由 该集群包含一篇研究论文,详细介绍了多模态LLM编辑的新方法。[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 →

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Siyuan Li, Youyuan Zhang, Fangming Liu, Jing Li ·

    模态解耦在线递归编辑

    arXiv:2605.20273v1 Announce Type: cross Abstract: Online model editing for multimodal large language models (MLLMs) requires assimilating a stream of corrections under tight compute and memory budgets. Yet editors developed for text-only LLMs often degrade on MLLMs: visually domi…