大语言模型知识编辑的双轴分类学：从机制到功能

大型语言模型(LLM)从大型文本语料库中获取广泛的知识，但这种信息可能过时或不准确。由于重新训练计算成本高昂，知识编辑提供了一种高效的替代方案——在不进行完整重新训练的情况下修改内部知识。这类方法旨在精确更新事实，同时保留模型的整体能力。虽然现有调查关注编辑机制(例如参数变化 vs. 外部记忆)，但常常忽视被编辑知识的功能。本综述引入一种新颖的、补充性的基于功能的分类学，以提供更全面的视角。我们检查了不同机制如何应用于各种知识类型——事实性、时序性、概念性、常识性和社会性——并突出显示编辑效果取决于目标知识的性质。通过沿着这两个轴线组织我们的综述，我们描绘了当前的格局，概述了现有方法的优势和局限性，形式化地定义了问题，调查了评估任务和数据集，并得出结论，指出开放性挑战和未来方向。