研究揭示 LLM 知识编辑并未真正抹除原有知识

该论文从对抗诱导角度检验 LLM 知识编辑，发现被编辑的知识往往未被完全抹除，仍会在多种模型架构上稳定复现。机制分析显示低秩更新并未覆盖原有知识，而是在表示空间中重新分配，并起到定向抑制原事实表达的作用；损失景观分析表明编辑后的知识位于狭窄且各向异性的区域，对间接提示和对抗攻击高度敏感。该工作已被 NeurIPS 2026 主会接收。