MedMKEB：面向医学多模态大语言模型的综合知识编辑基准

近期多模态大语言模型（MLLMs）的快速发展显著提升了医学人工智能，使其能够统一理解视觉和文本信息。然而，随着医学知识的不断演进，必须允许这些模型在不从头重新训练的情况下高效更新过时或不正确的信息。虽然文本知识编辑已被广泛研究，但仍缺乏针对包含图像和文本模态的医学多模态知识编辑的系统性基准。为填补这一空白，我们提出 MedMKEB，这是第一个旨在评估医学多模态大语言模型知识编辑可靠性、通用性、局部性、可移植性和鲁棒性的全面基准。MedMKEB 基于高质量的医学视觉问答数据集构建，丰富了 carefully 构建的编辑任务，包括反事实纠正、语义泛化、知识迁移和对抗鲁棒性。我们纳入了人类专家验证，确保基准的准确性和可靠性。对 state-of-the-art 的通用和医学 MLLMs 进行大量单次编辑和顺序编辑实验表明，现有基于知识的编辑方法在医学领域存在局限，凸显了需要发展专门编辑策略的必要性。MedMKEB 将作为推动可信赖且高效医学知识编辑算法发展的标准基准。