arXiv cs.CL· Jonathan Zheng, Zirui Shao, Alan Ritter, Wei Xu·· 12 小时前AI 评分38
PARALLELEVENTS 基准与 SYNAPSE 框架：用模拟未来事件评估和训练 LLM 知识更新
Parallel Universes for Temporal Evaluation and Knowledge Updating in LLMs
AI 导读
研究者提出 PARALLELEVENTS 基准，通过模拟虚构但合理的未来事件轨迹，在无数据污染、不与既有知识冲突的前提下评估 LLM 的知识插入能力。配套的 SYNAPSE 训练框架利用模型生成数据，经指令微调将新知识写入模型参数，无需昂贵的人工标注数据。该方法在问答准确率上较此前方法提升 14.23 分，论文已被 NeurIPS 2026 主会接收。
正文 · AI 翻译
摘要：大型语言模型（LLM）依赖静态预训练语料，导致知识随时间推移而过时。现有的知识编辑评估方法要么面临快速污染的问题，要么依赖与既有刚性知识相冲突的反事实编辑。在本工作中，我们提出一种模拟驱动的方法，用于评估和训练 LLM 进行知识插入。我们引入 PARALLELEVENTS，这是一个模拟虚构但真实的未来事件连贯轨迹的基准，能够实现受控评估，且不会产生数据污染或与既有知识冲突。我们进一步提出 SYNAPSE，这是一个训练框架，利用模型生成的数据通过指令微调将新知识整合到模型参数中。这一合成流程使得知识整合可扩展，无需昂贵的人工整理数据。SYNAPSE 相比先前方法将问答准确率提升了 14.23 分，表明基于模拟的合成训练能够产生稳健、连贯的知识插入。
| 评论： | 已被 NeurIPS 2026 主会议接收，10 页 |
| 主题： | 计算与语言（cs.CL）；机器学习（cs.LG） |
| 引用为： | arXiv:2609.00184 [cs.CL] |
| （或 arXiv:2609.00184v3 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2609.00184 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Jonathan Zheng [查看邮箱]
[v1]
2026 年 8 月 31 日星期一 18:06:35 UTC（6,829 KB）
[v2]
2026 年 9 月 4 日星期五 17:29:17 UTC（6,829 KB）
[v3]
2026 年 10 月 26 日星期一 23:01:49 UTC（5,896 KB）
来源：arXiv cs.CL · arxiv.org