EasyEdit项目中Fine-Tuning实现优化问题的技术解析

在知识编辑领域，Fine-Tuning（微调）是一种基础但重要的方法。近期在EasyEdit项目中发现并修复了其FT-L（Fine-Tuning-Locality）实现中的一个关键问题，这对知识编辑的效果评估具有重要意义。

问题背景

在原始实现中，FT-L采用了ROME论文中的优化目标计算方法：仅通过输入prompt的最后一个token来计算负对数似然损失（nll loss）。这种方法存在一个潜在问题——当编辑目标（target）包含多个token时，模型会同时最大化所有目标token在prompt最后一个位置出现的概率，而不是按照自回归方式逐个预测目标token。

技术影响分析

这种实现方式会导致两个主要问题：

1. 训练目标与标准语言模型训练不一致，不符合自回归生成的自然规律
2. 在多token目标场景下，模型学习到的分布与实际应用时的生成过程存在偏差

解决方案

EasyEdit团队针对此问题提供了两种实现方案：

1. prompt_last：保持与ROME论文一致的实现方式，仅通过最后一个token计算损失
2. target_new：标准的自回归方法，使用交叉熵损失函数逐个预测目标token

其中，target_new方法被命名为FT-M（Fine-Tuning-MultiToken），作为更强大的知识编辑基线方法。

实验发现

尽管优化目标进行了修正，实验表明FT-L方法仍然难以同时兼顾可靠性和局部性：

• 高可靠性往往意味着模型权重被完全破坏
• 高局部性无法保证高编辑成功率

这些发现与原始论文中的结论保持一致，说明Fine-Tuning方法在知识编辑任务中存在的固有局限性。

实践建议

对于使用EasyEdit进行知识编辑研究的用户，建议：

1. 根据实验需求选择合适的优化目标
2. 对于多token编辑场景，优先考虑FT-M方法
3. 注意评估时需同时考虑编辑成功率和模型保留原有知识的能力

该问题的发现和修复展示了开源社区协作的价值，也提醒研究者在基线方法实现时需要仔细验证其合理性。EasyEdit团队表示将在更新的arXiv版本中反映这些新的实验结果，为知识编辑领域提供更可靠的基准方法。