Model Editing

La modification de modèle est la modification ciblée d’un modèle d’apprentissage automatique entraîné afin qu’il apprenne, corrige ou supprime un comportement spécifique sans réentraînement complet. Un éditeur peut modifier certains poids du modèle, ajouter un petit module mémoire ou rediriger les sorties au moment de l’inférence. Le terme désigne généralement la correction des connaissances d’un grand modèle de langage, bien qu’il s’applique de plus en plus aux [modèles de fondation](https://ultralytics-translation-3.invalid multimodaux et de vision. Il ne s’agit pas de modifier un objet 3D ou une image générée.

Fonctionnement de la modification de modèle#

Une demande de modification de modèle précise généralement une entrée, l’ancienne réponse et la réponse souhaitée. Les méthodes décrites dans une étude approfondie de 2024 sur la modification des connaissances se répartissent généralement en trois groupes : mettre à jour les paramètres internes, intégrer de nouvelles connaissances au modèle ou consulter des connaissances externes. (arxiv.org)

La modification de modèle se distingue des techniques connexes :

• Réglage fin : met à jour le comportement sur l’ensemble d’un jeu de données, tandis que la modification de modèle vise un changement étroit et localisé.
• Cadre de modification des connaissances EasyEdit : présente des éditeurs pratiques fondés sur les paramètres, la mémoire et le méta-apprentissage pour les modèles de langage. (aclanthology.org)
• Génération augmentée par récupération : fournit des informations à jour sans modifier les paramètres sous-jacents.
• Désapprentissage automatique : cherche à supprimer les informations apprises plutôt qu’à remplacer ou ajouter des connaissances.
• Fusion de modèles : combine plusieurs modèles entraînés ou mises à jour au lieu d’effectuer une modification précise.

Évaluation et risques#

Une modification réussie doit garantir la fiabilité pour la demande cible, la généralité sur des entrées reformulées, la localité concernant les comportements sans rapport et la portabilité vers des tâches de raisonnement connexes. Les recherches sur les pièges de la modification des connaissances, la dégradation des capacités générales et les perturbations des connaissances voisines montrent qu’une modification apparemment correcte peut altérer des réponses ou des capacités de raisonnement sans rapport. (openreview.net)

Des modifications répétées peuvent également entraîner un oubli catastrophique. Les résultats peuvent dépendre fortement des métriques d’évaluation et de la taille des lots, comme le souligne une étude de 2025 sur l’évaluation des éditeurs de connaissances. L’évaluation multimodale s’étend grâce à VLKEB pour la modification vision-langage et à MMKE-Bench pour les connaissances visuelles diverses. (aclanthology.org)

Applications concrètes#

• Mises à jour continues des modèles vision-langage : un assistant visuel peut apprendre l’existence d’un produit récemment lancé ou l’identité corrigée d’un monument tout en conservant ses connaissances visuelles antérieures.
• Corrections médicales vision-langage : les systèmes cliniques peuvent être évalués après la mise à jour d’une terminologie ou de connaissances diagnostiques obsolètes, sur différentes variantes d’images et de textes. (arxiv.org)
• Adaptation de la vision par ordinateur : un modèle d’inspection peut être mis à jour pour reconnaître un nouveau type de défaut sans reconstruire l’intégralité du pipeline d’entraînement.

Bonnes pratiques actuelles#

Conserve le checkpoint d’origine, utilise la mise à jour efficace la plus limitée possible et effectue des tests approfondis du modèle avant le déploiement. Des travaux récents suggèrent de comparer les modifications des poids aux approches fondées sur le contexte, qui peuvent être plus robustes dans des conditions réalistes, et de tester de longues séquences de modifications pour détecter les interférences. (arxiv.org) Les équipes de production doivent tenir des journaux de modifications, prévoir des procédures de retour en arrière, effectuer des tests de sécurité et assurer une surveillance continue du modèle.

Modification de modèle dans les workflows Ultralytics#

Pour Ultralytics YOLO26, l’entraînement ciblé constitue l’équivalent pratique d’une modification générale du modèle. Cet exemple met à jour un détecteur préentraîné à l’aide d’un petit jeu de données, puis applique une validation pour détecter les changements de performance involontaires :

from ultralytics import YOLO

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

Conserve des checkpoints versionnés en suivant les recommandations de sauvegarde des modèles PyTorch, et utilise Ultralytics Platform pour annoter les données, entraîner les modèles mis à jour, déployer les révisions et surveiller les performances en production.