Model Editing

La modifica del modello è la modifica mirata di un modello di apprendimento automatico addestrato in modo che apprenda, corregga o rimuova un comportamento specifico senza un riaddestramento completo. Un editor può modificare i pesi del modello selezionati, collegare un piccolo modulo di memoria o reindirizzare gli output in fase di inferenza. Il termine si riferisce comunemente alla correzione delle conoscenze in un modello linguistico di grandi dimensioni, sebbene si applichi sempre più spesso a modelli di base multimodali e di visione. Non significa modificare un oggetto 3D o un'immagine generata.

Link to this sectionCome Funziona la Modifica del Modello#

Una richiesta di modifica del modello specifica solitamente un input, la risposta precedente e la risposta desiderata. I metodi descritti in uno studio completo sulla modifica della conoscenza del 2024 rientrano generalmente in tre categorie: aggiornamento dei parametri interni, integrazione di nuove conoscenze nel modello o consultazione di conoscenze esterne. (arxiv.org)

La modifica del modello differisce dalle tecniche correlate:

• Fine-Tuning: Aggiorna il comportamento su un intero set di dati, mentre la modifica del modello mira a un cambiamento ristretto e localizzato.
• EasyEdit Knowledge-Editing Framework: Dimostra editor pratici per parametri, memoria e meta-apprendimento per i modelli linguistici. (aclanthology.org)
• Generazione Aumentata da Recupero: Fornisce informazioni aggiornate senza modificare i parametri sottostanti.
• Dimenticanza Automatica: Cerca di rimuovere le informazioni apprese anziché sostituire o aggiungere conoscenza.
• Unione di Modelli: Combina più modelli addestrati o aggiornamenti invece di eseguire una singola modifica precisa.

Link to this sectionValutazione e Rischi#

A successful edit should satisfy reliability for the target request, generality across reworded inputs, locality on unrelated behavior, and portability to connected reasoning tasks. Research on knowledge-editing pitfalls, general-ability degradation, and neighboring knowledge perturbations shows that an apparently correct edit can alter unrelated answers or reasoning skills. (openreview.net)

Le modifiche ripetute possono anche causare dimenticanza catastrofica. I risultati possono dipendere pesantemente dalle metriche di valutazione e dalla dimensione del batch, come evidenziato da uno studio del 2025 sulla valutazione degli editor di conoscenza. La valutazione multimodale si sta espandendo tramite VLKEB per l'editing di visione-linguaggio e MMKE-Bench per diverse conoscenze visive. (aclanthology.org)

Link to this sectionApplicazioni nel mondo reale#

• Aggiornamenti per Modelli di Visione-Linguaggio a Lungo Termine: Un assistente visivo può apprendere un prodotto appena introdotto o l'identità di un punto di riferimento corretto pur conservando la precedente conoscenza visiva.
• Correzioni di Visione-Linguaggio Medico: I sistemi clinici possono essere valutati dopo aver aggiornato terminologia obsoleta o conoscenze diagnostiche tra variazioni di immagini e testo. (arxiv.org)
• Adattamento della Computer Vision: Un modello di ispezione può essere aggiornato per riconoscere un nuovo tipo di difetto senza ricostruire l'intera pipeline di addestramento.

Link to this sectionMigliori pratiche attuali#

Conserva il checkpoint originale, usa l'aggiornamento efficace più piccolo ed esegui un ampio test del modello prima del deployment. Lavori recenti suggeriscono di confrontare le modifiche dei pesi con approcci basati sul contesto, che potrebbero essere più robusti in condizioni realistiche, e di testare lunghe sequenze di modifiche per verificarne l'interferenza. (arxiv.org) I team di produzione dovrebbero mantenere log di modifica, percorsi di rollback, test di sicurezza e un monitoraggio del modello continuo.

Link to this sectionModifica del Modello nei Flussi di Lavoro di Ultralytics#

Per Ultralytics YOLO26, l'addestramento mirato è l'equivalente pratico di una modifica estesa del modello. Questo esempio aggiorna un rilevatore preaddestrato utilizzando un piccolo set di dati, quindi applica la validazione per rilevare eventuali modifiche indesiderate delle prestazioni:

from ultralytics import YOLO

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

Conserva i checkpoint con versionamento utilizzando la guida al salvataggio dei modelli PyTorch e usa Ultralytics Platform per annotare dati, addestrare modelli aggiornati, distribuire revisioni e monitorare le prestazioni di produzione.