FineEdit：Bridging LLM 编辑鸿沟的精准目标化文本修改方法
计算与语言
2026-01-27 v5
摘要
大型语言模型（LLMs）在文本生成、摘要和推理等自然语言处理任务中展现出强大的能力，近年来也备受关注。然而，当前的前沿 LLMs 在执行精准、指令驱动的编辑时仍存在挑战，尤其是在结构准确性和严格遵循特定领域规范方面。为此，我们提出 InstrEditBench，一个包含超过 30,000 项结构化编辑任务的自动化基准数据集，涵盖维基百科文章、LaTeX 文档、源代码和数据库语言等多个领域。基于该基准，我们开发了 FineEdit——一种专为准确、上下文感知文本修改而设计的编辑模型。实验表明，FineEdit 在单轮编辑任务上相比 Gemini 模型提升约 10%，相比 Llama-3.2-3B 提升约 30%，在直接编辑任务上超越 Mistral-7B-OpenOrca 超过 40%。FineEdit 还能有效泛化到真实场景中的多轮编辑，显示出实际应用价值。为便于后续研究和可重复性，我们将 FineEdit 在 GitHub 和 Hugging Face 上公开。
引用
@article{arxiv.2502.13358,
title = {Bridging the Editing Gap in LLMs: FineEdit for Precise and Targeted Text Modifications},
author = {Yiming Zeng and Wanhao Yu and Zexin Li and Tao Ren and Yu Ma and Jinghan Cao and Xiyan Chen and Tingting Yu},
journal= {arXiv preprint arXiv:2502.13358},
year = {2026}
}
备注
We resolved some issues in this paper