智能机器人技术的一个基本目标是迈向终身学习机器人，随着时间的流逝，可以学习并适应看不见的场景。但是，不断学习新任务将引入灾难性的遗忘，这是由于数据分配变化而引起的。为了减轻这种情况，我们存储了以前任务中的一部分数据，并以两种方式利用它：利用经验重播来保留学习技能并应用基于新颖的基于检索的本地适应技术来恢复相关知识 ...

模型编辑旨在通过有效调整其内部参数来提高大语言模型（LLM）的准确性和可靠性。当前，大多数LLM编辑数据集仅限于狭窄的知识域，并涵盖了有限的编辑评估。他们经常忽略编辑需求的广泛范围以及由编辑产生的连锁反应的多样性 ...

终身学习使大型语言模型（LLMS）通过不断更新其内部知识来适应不断发展的信息。理想的系统应支持高效，广泛的更新，同时保留现有功能并确保可靠的部署。模型编辑是该目标的有前途的解决方案，提供了一种重点，有效的方法来修改模型的内部知识 ...

大型语言模型（LLMS）需要连续更新，以随着世界的发展而保持准确和当前的知识。尽管现有的知识编辑方法为知识更新提供了各种解决方案，但他们经常在顺序编辑方案和损害模型的一般功能方面遇到艰难，从而极大地阻碍了其实际适用性。本文提出了一个两阶段的框架，将强大的监督微调（R-SFT）与模型合并以进行知识编辑结合在一起 ...

我们解决了如何在保留先前添加的知识的同时，如何将新知识连续添加新知识的问题。我们考虑两种设置，即半合作和完全合件。总体而言，在大多数情况下，洛拉在大多数情况下都比所有参数的全面调整都更好，而新的知识获取和保留了旧的知识，包括最近的知识 ...

知识编辑旨在更新大语言模型（LLMS）中的嵌入式知识。但是，现有方法，无论是通过参数修改还是外部内存集成，通常都遭受不一致的评估目标和实验设置。为了解决这一差距，我们进行了全面的基准测试研究 ...

大型语言模型（LLMS）通常会产生不正确或过时的信息，需要有效而精确的知识更新。但是，当前的模型编辑方法但是，以各种格式（例如诗歌，代码片段和数学派生）的长期知识斗争。这些局限性源于它们依赖编辑单个 Token 的隐藏状态，这是我们称为“功效障碍”的限制 ...