一适用于所有：跨多个模型更新参数化知识

大语言模型（LLM）编码了海量的世界知识，但难以保持最新，常导致错误与幻觉。知识编辑提供了一种替代重训练的高效方案，通过更新特定模型参数实现针对性修改。然而，现有方法主要针对单个模型，在高效更新多个模型及适应新模型方面面临挑战。为解决此问题，我们提出 OnceEdit，一种新颖的基于集成的方法，采用即插即用模型作为编辑模块，支持跨多个模型的稳定知识更新。基于模型集成，OnceEdit 引入了两个关键机制以增强其有效性。首先，我们通过 \weight token 引入动态权重机制，以区分编辑相关与非编辑相关实例，确保合理利用来自集成模型的知识。其次，我们引入了集成增强机制，以缓解模型集成技术中固有的对中心模型的过度依赖，使其更适合知识编辑。在多种 LLM 上的大量实验表明，OnceEdit 持续优于现有方法，同时实现了卓越的编辑效率。进一步分析证实了其在多模型编辑场景中的适应性与稳定性。我们的代码将公开提供。