面向多模态大语言模型的元认知知识编辑：一种新方法
人工智能
2025-09-09 v1 计算机视觉与模式识别
摘要
知识编辑使多模态大语言模型（MLLM）能够高效更新过时或不正确的信息。然而，现有基准主要强调认知层面的修改，缺乏对更深层次元认知过程的关注。为弥合这一差距，我们引入了 CogEdit—a 一种新型基准，旨在评估 MLLM 的元认知知识编辑能力，涵盖三个层次：（1）反事实驱动的编辑，评估知识正确性变化的自我意识；（2）边界约束编辑，确保适当的泛化而不产生意外干扰；（3）噪声鲁棒性编辑，促进对不确定信息的反思性评估。为推进元认知编辑，我们提出了 MIND（Meta-cognitive INtegrated Dynamic Knowledge Editing）框架，构建元知识记忆以实现自我意识，采用博弈论机制监控知识激活，并纳入标签细化以实现噪声鲁棒更新。大量实验表明，MIND 在实现传统和元认知知识编辑基准方面显著优于现有认知编辑方法。
引用
@article{arxiv.2509.05714,
title = {Towards Meta-Cognitive Knowledge Editing for Multimodal LLMs},
author = {Zhaoyu Fan and Kaihang Pan and Mingze Zhou and Bosheng Qin and Juncheng Li and Shengyu Zhang and Wenqiao Zhang and Siliang Tang and Fei Wu and Yueting Zhuang},
journal= {arXiv preprint arXiv:2509.05714},
year = {2025}
}
备注
15 pages, 6 figures