EvoEdit：用于稳健高效知识编辑的演进式零空间对齐

基于摘要分析。本文研究 LLMs 连续知识编辑中的灾难性干扰：后续更新可能破坏此前编辑的知识及原有知识。作者提出 EvoEdit，通过对每次新编辑实施连续零空间对齐，旨在兼顾定向知识更新、历史编辑保留与计算效率。 机制上，研究沿用知识编辑的问题设定，而非对模型进行完整重训练。摘要将零空间对齐描述为保护原始及已修改知识表示的关键，并称其能够在长编辑序列中保持被保留知识的输出不变性。作者声称方法具有较强理论保证，但摘要未给出零空间的构造、对齐对象、更新约束、保存知识所需的数据或理论成立条件，因此不能据此确定具体实现及保证范围。 作者报告，在真实场景的连续知识编辑基准上，EvoEdit 相较既有 locate-then-edit 方法取得更好或相当的表现，并实现最高 3.53 倍加速。摘要未列出具体基准、被编辑模型、编辑序列长度、知识保留指标或速度测量配置；该加速不能解释为所有设置下的统一收益。实验协议、消融及统计信息尚未验证，复现还需核对零空间维护成本及其随编辑次数增长的变化。 本文的主要对象是 LLMs 知识编辑，不是 EEG 解码或 BCI。其约束更新以保护既有功能的思路可能与持续适应问题有关，但摘要尚不足以建立具体的 EEG 迁移路径，不能将原领域结果视为 BCI 有效性证据；已有 EEG 相关工作尚未检索确认。