实体
RippleEdits
RippleEdits
PulseAugur coverage of RippleEdits — every cluster mentioning RippleEdits across labs, papers, and developer communities, ranked by signal.
总计 · 30天
3
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
3
90 天内 3
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
LLM事实纠正方法比较：权重编辑、RAG和知识图谱
一项最新研究比较了纠正大型语言模型（LLM）事实错误的三种方法：编辑模型权重（ROME/MEMIT）、在提示中提供事实（检索增强生成，RAG）以及查询外部知识图谱。研究发现，尽管ROME等权重编辑方法具有良好的泛化能力，但它们会显著影响不相关的其他事实。当相关信息存在于图谱中时，知识图谱查询效果最佳。但研究也揭示了一个关键的失败点：一个1.5B参数的模型未能可靠地利用提供的上下文，在给出上下文的情况下，仅正确回答了22.6%的事实性问…
-
AI 知识编辑基准存在缺陷，新研究发现
一篇新的研究论文认为，当前用于 AI 模型知识编辑的基准存在根本性缺陷，未能准确衡量关键的“范围分类”决策。作者开发了一种名为 INLAY 的无梯度编辑器来生成精确的真实情况，揭示现有基准与简单的静态策略相比没有可衡量的改进。这种局限性源于其反事实性质，这使得分类器无法学会拒绝不正确的编辑。
-
新框架优化大型语言模型中的知识编辑
研究人员开发了一个名为联合邻域优化（JNO）的新框架，以改进大型语言模型中的知识编辑。JNO通过联合优化邻域目标表示来解决单次编辑更新导致相关事实发生意外变化的问题。这种方法包括一个压力感知协调机制和一个预执行门，旨在增强期望的传播，同时保留不受影响的信息。