待验证50% 置信事实精确时间

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

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

相关事实

待验证若只用新增类别数据微调扩展后的分类头，模型极易出现灾难性遗忘，急剧丧失对原有类别的识别能力67% 相似待验证负向提示词（Negative Prompt）可明确告诉模型不希望出现的元素以避免结果偏向写实风格67% 相似待验证由于标签定义不同，在一个数据集上取得高分的模型换到另一个数据集后性能可能大幅下滑，跨论文数字未必可比67% 相似待验证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66% 相似待验证纯坐标/模板匹配方案对版式变化零容忍，供应商调整发票版式或增减行列会导致解析全面崩溃66% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/998823

API

curl https://kongchang.com/api/v1/knowledge/claims/998823

MCP

get_claim(id=998823)