HiEdit：基于分层强化学习的终身模型编辑

终身模型编辑（LME）旨在顺序修正已部署大语言模型中过时或不准确的知识，同时最小化对无关输入的副作用。现有方法通常对所有编辑实例静态地扰动密集的参数层，忽略了知识在模型不同层级分布的特异性，导致适应性差及灾难性遗忘。为此，本文提出 HiEdit，一种分层强化学习框架，能自适应识别每个编辑实例最相关的知识层。通过动态的实例感知层选择及稀疏性内在奖励，HiEdit 实现了精准的局部更新。实验表明，该方法在仅扰动一半层的情况下，性能显著优于现有基准。