Model Editing

模型编辑是对经过训练的机器学习模型进行有针对性的修改，使其学习、纠正或移除特定行为，而无需完全重新训练。编辑器可以更改选定的模型权重、附加小型记忆模块，或在推理时重定向输出。该术语通常指纠正大型语言模型中的知识，但其应用正逐渐扩展到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。

模型编辑的工作原理#

模型编辑请求通常会指定一个输入、旧响应和期望响应。一项2024 年全面知识编辑研究所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，或查询外部知识。(arxiv.org)

模型编辑与相关技术有所不同：

• **微调：**在整个数据集上更新行为，而模型编辑旨在实现范围狭窄且局部化的更改。
• **EasyEdit 知识编辑框架：**展示了适用于语言模型的参数编辑器、记忆编辑器和元学习编辑器的实际应用。(aclanthology.org)
• **检索增强生成：**在不更改底层参数的情况下提供最新信息。
• **机器遗忘：**旨在移除已学习的信息，而不是替换或添加知识。
• **模型合并：**组合多个经过训练的模型或更新内容，而不是执行一次精确编辑。

评估与风险#

一次成功的编辑应满足以下要求：对目标请求具有可靠性，对改写后的输入具有泛化性，对无关行为具有局部性，并且能够迁移到相关的推理任务中。关于知识编辑陷阱、通用能力退化和邻近知识扰动的研究表明，看似正确的编辑可能会改变无关回答或推理能力。(openreview.net)

重复编辑还可能导致灾难性遗忘。正如一项2025 年知识编辑器评估研究所强调的，结果可能高度依赖评估指标和批量大小。多模态评估正通过面向视觉语言编辑的VLKEB以及面向多样化视觉知识的MMKE-Bench不断发展。(aclanthology.org)

实际应用#

• **终身视觉语言模型更新：**视觉助手可以学习新推出的产品或更正后的地标身份，同时保留先前的视觉知识。
• **医学视觉语言纠错：**在更新过时的术语或诊断知识后，可以针对图像和文本的各种变化对临床系统进行评估。(arxiv.org)
• **计算机视觉适配：**可以更新检测模型，使其识别新的缺陷类型，而无需重建完整的训练流程。

当前最佳实践#

保留原始检查点，使用能达到效果的最小更新，并在部署前执行广泛的模型测试。近期研究表明，应将权重编辑与基于上下文的方法进行比较；后者在现实条件下可能更加稳健，还应测试长序列编辑是否会产生相互干扰。(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。

Ultralytics 工作流中的模型编辑#

对于Ultralytics YOLO26，有针对性的训练是广义模型编辑的实际等效方式。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非预期的性能变化：

from ultralytics import YOLO

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

根据PyTorch 模型保存指南保留带版本的检查点，并使用Ultralytics Platform来标注数据、训练更新后的模型、部署修订版本以及监控生产环境中的性能。