Control Map：评估测试时模型更新的新框架

论文提出 Control Map，主张分开评估更新的学习、保持与局部性。

资讯摘要

论文提出 Control Map 评估框架，记录每次评分回答前已提交的更新，并分别评估行为变化、即时学习、后续回忆、无关行为保持及新场景表现。作者报告，在 760M 参数检查点上，更新次数相同的 24 种调度方案准确率介于 19.7%–34.2%；六个 CounterFact LoRA 设置均学会新信息，ROME 在 13 个操作点均保留编辑但均未通过局部性检验。

要点速读

1. Control Map 记录每个评分答案之前的已提交更新，并分开评估即时学习、后续回忆、局部性与新场景表现。
2. 在 760M 参数检查点上，更新次数相同的 24 种调度方案准确率为 19.7%–34.2%。
3. 六个 CounterFact LoRA 设置均学会新信息；ROME 在 13 个操作点均保留编辑，但均未通过局部性检验。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/29 08:00:21（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。