Model Editing

Chỉnh sửa model là việc thay đổi có mục tiêu một model học máy đã được huấn luyện để model học, sửa hoặc loại bỏ hành vi cụ thể mà không cần huấn luyện lại hoàn toàn. Người chỉnh sửa có thể thay đổi các trọng số model được chọn, gắn thêm một mô-đun bộ nhớ nhỏ hoặc chuyển hướng đầu ra tại thời điểm suy luận. Thuật ngữ này thường đề cập đến việc sửa đổi tri thức trong một model ngôn ngữ lớn, mặc dù ngày càng được áp dụng cho các model nền tảng đa phương thức và thị giác. Thuật ngữ này không có nghĩa là chỉnh sửa một đối tượng 3D hoặc hình ảnh được tạo.

Cách thức hoạt động của việc chỉnh sửa model#

Một yêu cầu chỉnh sửa model thường chỉ định đầu vào, phản hồi cũ và phản hồi mong muốn. Các phương pháp được mô tả trong một nghiên cứu toàn diện về chỉnh sửa tri thức năm 2024 thường thuộc một trong ba nhóm: cập nhật các tham số nội bộ, tích hợp tri thức mới vào model hoặc tham vấn tri thức bên ngoài. (arxiv.org)

Chỉnh sửa model khác với các kỹ thuật liên quan:

• Tinh chỉnh: Cập nhật hành vi trên toàn bộ một dataset, trong khi chỉnh sửa model hướng đến một thay đổi hẹp và cục bộ.
• Framework chỉnh sửa tri thức EasyEdit: Minh họa các phương pháp chỉnh sửa thực tiễn dựa trên tham số, bộ nhớ và meta-learning cho các model ngôn ngữ. (aclanthology.org)
• Sinh tăng cường truy xuất: Cung cấp thông tin hiện tại mà không thay đổi các tham số nền tảng.
• Học máy không ghi nhớ: Nhằm loại bỏ thông tin đã học thay vì thay thế hoặc bổ sung tri thức.
• Hợp nhất model: Kết hợp nhiều model đã huấn luyện hoặc các bản cập nhật thay vì thực hiện một chỉnh sửa chính xác duy nhất.

Đánh giá và rủi ro#

Một lần chỉnh sửa thành công cần đáp ứng độ tin cậy đối với yêu cầu mục tiêu, tính tổng quát trên các đầu vào được diễn đạt lại, tính cục bộ đối với hành vi không liên quan và tính khả chuyển sang các tác vụ suy luận liên quan. Nghiên cứu về cạm bẫy trong chỉnh sửa tri thức, suy giảm năng lực tổng quát và nhiễu loạn tri thức lân cận cho thấy một lần chỉnh sửa có vẻ đúng vẫn có thể làm thay đổi các câu trả lời hoặc kỹ năng suy luận không liên quan. (openreview.net)

Các lần chỉnh sửa lặp lại cũng có thể gây ra hiện tượng quên thảm họa. Kết quả có thể phụ thuộc nhiều vào các metric đánh giá và kích thước batch, như được nêu bật trong một nghiên cứu năm 2025 về đánh giá phương pháp chỉnh sửa tri thức. Việc đánh giá đa phương thức đang được mở rộng thông qua VLKEB cho chỉnh sửa thị giác-ngôn ngữ và MMKE-Bench cho tri thức thị giác đa dạng. (aclanthology.org)

Các ứng dụng trong thực tế#

• Cập nhật model thị giác-ngôn ngữ suốt vòng đời: Một trợ lý thị giác có thể học về một sản phẩm mới được giới thiệu hoặc danh tính đã được đính chính của một địa danh, đồng thời vẫn duy trì tri thức thị giác trước đó.
• Hiệu chỉnh model thị giác-ngôn ngữ y tế: Các hệ thống lâm sàng có thể được đánh giá sau khi cập nhật thuật ngữ hoặc tri thức chẩn đoán đã lỗi thời trên nhiều biến thể hình ảnh và văn bản. (arxiv.org)
• Thích ứng thị giác máy tính: Một model kiểm tra có thể được cập nhật để nhận diện một loại lỗi mới mà không cần xây dựng lại toàn bộ pipeline huấn luyện.

Các phương pháp tốt nhất hiện nay#

Bảo toàn checkpoint gốc, sử dụng bản cập nhật nhỏ nhất nhưng vẫn hiệu quả và thực hiện kiểm thử model trên diện rộng trước khi triển khai. Các công trình gần đây đề xuất so sánh việc chỉnh sửa trọng số với các phương pháp dựa trên ngữ cảnh, vốn có thể mạnh mẽ hơn trong điều kiện thực tế, đồng thời kiểm thử các chuỗi chỉnh sửa dài để phát hiện hiện tượng can thiệp. (arxiv.org) Các đội ngũ vận hành production nên duy trì nhật ký chỉnh sửa, đường dẫn rollback, các bài kiểm thử an toàn và giám sát model liên tục.

Chỉnh sửa model trong workflow của Ultralytics#

Đối với Ultralytics YOLO26, huấn luyện có mục tiêu là phương án tương đương thực tiễn của việc chỉnh sửa model trên diện rộng. Ví dụ này cập nhật một detector pretrained bằng một dataset nhỏ, sau đó áp dụng validation để phát hiện những thay đổi hiệu năng ngoài dự kiến:

from ultralytics import YOLO

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

Duy trì các checkpoint có quản lý phiên bản bằng hướng dẫn lưu model PyTorch, đồng thời sử dụng Ultralytics Platform để gắn nhãn dữ liệu, huấn luyện các model đã cập nhật, triển khai các bản sửa đổi và giám sát hiệu năng production.