摘要
尽管知识编辑为多模态大语言模型（MLLMs）提供了一种高效的知识更新机制，但我们发现当前的范式仍然面临一个重要且尚未深入探讨的问题：编辑解耦失败。当模型通过多模态输入（文本-图像查询对）触发时，相关知识能够被更新；然而，当这些配对输入被拆分为单模态输入时，模型往往会恢复到过时的编辑前事实。
我们的深入实证分析揭示，MLLMs中的实体知识并非以统一表示存储，而是分散在解耦的模态特定路径中。因此，针对多模态查询的更新无法有效传播到单模态电路。为了解决这一问题，我们提出了DECODE，它明确解耦和定位模态特定的神经元组以进行有针对性的知识更新。大量实验表明，DECODE在不同模态触发下始终实现有效的知识更新，从而缓解了编辑解耦失败的问题。
博主点评： DECODE的提出为解决多模态大语言模型中的知识更新问题提供了新的思路，通过明确解耦模态特定的神经元组，显著提高了知识编辑的有效性。这一研究不仅丰富了知识编辑的理论基础，也为实际应用中提升模型性能带来了希望。