LyapLock首次让大模型在上万次知识更新中稳住旧记忆、精准学新知。它用「虚拟队列」实时监控遗忘风险，动态平衡新旧知识，理论保证长期不崩盘，编辑效果比主流方法提升11.89%，还能赋能现有模型，让AI真正学会「持续成长」。 大型语言模型通常包含事实上不正确或过时的知识，这催生了用于实现精确知识更新的模型编辑方法。然而，由于缺乏适当的长期知识保留机制，当前主流的「先定位后编辑」方法在连续编辑过程中表现出渐进式的性能下降。 为了解决这个问题，中科院信工所的研究人员提出了LyapLock，将连续编辑建模为一个受约束的随机规划问题。鉴于累积保留误差约束以及逐渐揭示的编辑任务所带来的挑战。 论文链接： https://arxiv.org/pdf/2505.15702 LyapLock整合了排队论和李雅普诺夫（Lyapunov）优化，将长期的约束规划分解为易于处理的逐步子问题，从而实现高效求解。 这是第一个具备严格理论保证的模型编辑框架，在满足长期知识保留约束的同时，实现了渐近最优的编辑性能。 实验结果表明，该框架将连续编辑的能力扩展到了10,000次以上，在...