Model Editing

La edición de modelos es la modificación específica de un modelo de aprendizaje automático entrenado para que aprenda, corrija o elimine un comportamiento concreto sin necesidad de volver a entrenarlo por completo. Un editor puede cambiar determinados pesos del modelo, conectar un pequeño módulo de memoria o redirigir las salidas durante la inferencia. El término suele referirse a la corrección de conocimientos en un modelo de lenguaje grande, aunque cada vez se aplica más a modelos fundacionales multimodales y de visión. No significa editar un objeto 3D ni una imagen generada.

Cómo funciona la edición de modelos#

Una solicitud de edición de modelos suele especificar una entrada, la respuesta anterior y la respuesta deseada. Los métodos descritos en un estudio exhaustivo de 2024 sobre la edición del conocimiento suelen dividirse en tres grupos: actualizar parámetros internos, integrar nuevos conocimientos en el modelo o consultar conocimientos externos. (arxiv.org)

La edición de modelos se diferencia de las técnicas relacionadas:

• Ajuste fino: Actualiza el comportamiento en todo un conjunto de datos, mientras que la edición de modelos busca un cambio limitado y localizado.
• Marco de edición de conocimiento EasyEdit: Demuestra editores prácticos basados en parámetros, memoria y metaaprendizaje para modelos de lenguaje. (aclanthology.org)
• Generación aumentada mediante recuperación: Proporciona información actualizada sin cambiar los parámetros subyacentes.
• Olvido automático de modelos: Busca eliminar información aprendida en lugar de sustituirla o añadir nuevos conocimientos.
• Fusión de modelos: Combina varios modelos entrenados o actualizaciones en lugar de realizar una única edición precisa.

Evaluación y riesgos#

Una edición correcta debe cumplir los criterios de fiabilidad para la solicitud objetivo, generalidad con entradas reformuladas, localidad respecto al comportamiento no relacionado y portabilidad a tareas de razonamiento conectadas. Las investigaciones sobre problemas de la edición del conocimiento, degradación de las capacidades generales y perturbaciones de conocimientos adyacentes muestran que una edición aparentemente correcta puede alterar respuestas no relacionadas o capacidades de razonamiento. (openreview.net)

Las ediciones repetidas también pueden provocar olvido catastrófico. Los resultados pueden depender en gran medida de las métricas de evaluación y del tamaño del lote, como destaca un estudio de 2025 sobre la evaluación de editores de conocimiento. La evaluación multimodal se está ampliando mediante VLKEB para la edición visión-lenguaje y MMKE-Bench para conocimientos visuales diversos. (aclanthology.org)

Aplicaciones en el mundo real#

• Actualizaciones continuas de modelos visión-lenguaje: Un asistente visual puede aprender un producto presentado recientemente o corregir la identidad de un lugar emblemático, conservando al mismo tiempo los conocimientos visuales anteriores.
• Correcciones médicas visión-lenguaje: Los sistemas clínicos pueden evaluarse después de actualizar terminología obsoleta o conocimientos diagnósticos en distintas variaciones de imágenes y texto. (arxiv.org)
• Adaptación de visión artificial: Un modelo de inspección puede actualizarse para reconocer un nuevo tipo de defecto sin reconstruir todo el flujo de trabajo de entrenamiento.

Mejores prácticas actuales#

Conserva el checkpoint original, utiliza la actualización eficaz más pequeña y ejecuta pruebas exhaustivas del modelo antes del despliegue. Los trabajos recientes sugieren comparar las ediciones de pesos con enfoques basados en el contexto, que pueden ser más robustos en condiciones realistas, y probar secuencias largas de ediciones para detectar interferencias. (arxiv.org) Los equipos de producción deben mantener registros de ediciones, rutas de reversión, pruebas de seguridad y monitorización continua del modelo.

Edición de modelos en los flujos de trabajo de Ultralytics#

Para Ultralytics YOLO26, el entrenamiento específico es el equivalente práctico de una edición amplia del modelo. En este ejemplo se actualiza un detector preentrenado mediante un conjunto de datos pequeño y, a continuación, se aplica la validación para detectar cambios de rendimiento no deseados:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
model.train(data="coco8.yaml", epochs=1)
metrics = model.val()
print(metrics.box.map)

Conserva checkpoints versionados siguiendo las directrices de PyTorch para guardar modelos y utiliza Ultralytics Platform para anotar datos, entrenar modelos actualizados, desplegar revisiones y monitorizar el rendimiento en producción.