Model Editing
了解什么是模型编辑、它如何在不进行完整重新训练的情况下更新机器学习行为、关键风险、评估方法以及 Ultralytics YOLO26 工作流。
模型编辑是对已训练的 机器学习模型 进行有针对性的修改，使其能够学习、纠正或删除特定行为，而无需进行完全的重新训练。编辑者可能会更改选定的 模型权重、附加一个小型记忆模块，或在推理时重定向输出。这个术语通常指纠正 大型语言模型 中的知识，尽管它也越来越多地应用于多模态和视觉 基础模型。它并不意味着编辑 3D 对象或生成的图像。
Link to this section模型编辑的工作原理#
模型编辑请求通常指定输入、旧响应和所需响应。2024 年综合知识编辑研究 中描述的方法通常分为三类：更新内部参数、将新知识整合到模型中，或查阅外部知识。(arxiv.org)
模型编辑不同于相关技术：
- 微调： 跨数据集更新行为，而模型编辑旨在进行狭窄、局部的更改。
- EasyEdit 知识编辑框架： 展示了针对语言模型的实用参数、内存和元学习编辑程序。(aclanthology.org)
- 检索增强生成： 在不改变底层参数的情况下提供当前信息。
- 机器遗忘： 旨在删除学习到的信息，而不是替换或添加知识。
- 模型合并： 组合多个训练过的模型或更新，而不是执行一次精确的编辑。
Link to this section评估与风险#
成功的编辑应满足目标请求的可靠性、跨改写输入的通用性、对不相关行为的局部性，以及对相连推理任务的可移植性。对知识编辑缺陷、通用能力退化和相邻知识扰动的研究表明，一个表面上正确的编辑可能会改变不相关的答案或推理技能。(openreview.net)
重复编辑也可能导致灾难性遗忘。正如2025 年知识编辑器评估研究所强调的那样，结果在很大程度上取决于评估指标和批次大小。多模态评估正在通过用于视听编辑的 VLKEB 和用于多样化视觉知识的 MMKE-Bench 不断扩展。(aclanthology.org)
Link to this section实际应用#
- 终身视觉语言模型更新： 视觉助手可以学习新引入的产品或修正的地标身份，同时保留早期的视觉知识。
- 医疗视觉语言纠错： 临床系统可以在更新跨图像和文本变化的过时术语或诊断知识后进行评估。(arxiv.org)
- 计算机视觉适应： 可以更新检测模型以识别新的缺陷类型，而无需重建完整的训练管道。
Link to this section当前最佳实践#
保留原始检查点，使用最小的有效更新，并在部署前运行广泛的模型测试。最近的工作建议将权重编辑与基于上下文的方法进行比较（在现实条件下可能更稳健），并测试长编辑序列的干扰情况。(arxiv.org) 生产团队应维护编辑日志、回滚路径、安全测试以及持续的模型监控。
Link to this sectionUltralytics 工作流中的模型编辑#
对于 Ultralytics YOLO26，有针对性的 训练 是广泛模型编辑的实际等效项。此示例使用小型数据集更新预训练检测器，然后应用 验证 来检测意外的性能变化：
from ultralytics import YOLO
model = YOLO("yolo26n.pt")
model.train(data="coco8.yaml", epochs=1)
metrics = model.val()
print(metrics.box.map)使用 PyTorch 模型保存指南 保留版本化的检查点，并使用 Ultralytics Platform 来注释数据、训练更新的模型、部署版本以及监控生产性能。
