模型编辑旨在在无需重新训练的前提下，修正大型语言模型（LLMs）中的错误知识、更新过时信息并融入新数据。该任务在终身学习场景中尤为具有挑战性，因为编辑操作需要持续进行，以满足真实世界应用的需求。尽管部分编辑方法在纯语言模型中展现出较强的稳健性，但视觉语言模型（Vision LLMs, VLLMs）由于引入了视觉模态，无法直接适配现有的语言模型编辑器。

为弥合终身LLM编辑与VLLM之间的差距，本文提出LiveEdit，一种用于终身VLLM知识编辑的新方法。我们首先训练一个“编辑专家生成器”，能够为每次编辑实例独立生成低秩专家，旨在修正VLLM的相关输出响应。为此，我们设计了一种硬过滤机制，利用视觉语义知识在推理阶段粗略剔除与输入查询视觉无关的专家。随后，我们引入一种基于文本语义相关性的软路由机制，以融合多个视觉相关专家，从而实现多专家信息整合。

为评估方法有效性，我们构建了一个用于终身VLLM编辑的基准测试集。大量实验证明，LiveEdit在终身VLLM编辑任务中具有显著优势，进一步实验也验证了各模块设计的合理性与有效性。

https://arxiv.org/pdf/2411.15432