待验证50% 置信事实精确时间

将遗忘集的遗忘损失乘以0.0会导致遗忘项不产生任何梯度，模型没有做任何真正的遗忘更新

1

来源数

50%

置信度

长期有效

时效性

2026/10/11

首次发现

来源

LLM能审计机器遗忘吗？一次揭穿假遗忘代码的基准测试

涉及实体

Machine Unlearningconcept PyTorchtechnology

相关事实

待验证零保留不等于零学习——数据不被存储不代表从中提取的模式和信息不会以某种形式影响模型71% 相似待验证现有向量数据库记忆方案缺乏时效性衰减机制，无法区分记忆是否被采纳并产生正向效果，也没有机制合并冗余或删除有害记忆69% 相似待验证当检索到语义相近但不准确的内容时，模型可能以高置信度输出错误的回忆，系统层面毫无警示机制，即假记忆问题68% 相似待验证把遗忘集标签替换为零会使模型学会把这些样本预测为类别0，而修改标签与消除样本影响是两回事66% 相似待验证交错训练能防止灾难性遗忘，避免模型学习新类型数据时遗忘先前学到的数据66% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/998822

API

curl https://kongchang.com/api/v1/knowledge/claims/998822

MCP

get_claim(id=998822)