本文提出首个针对工具增强型大型语言模型（Tool-Augmented LLMs）的工具遗忘（Tool Unlearning）方法TOOLDELETE，旨在安全移除特定工具（如废弃API）的使用能力。该方法通过工具知识删除（TKD）、知识保留（TKR）和通用能力保留（GCR）三大约束实现精准遗忘，并创新性地设计了LiRA-Tool评估方案，利用阴影样本验证工具功能的彻底移除。实验表明，TOOLDEL

现有研究仅依赖 ROUGE评估遗忘效果，无法捕捉模型输出的多样性、语义一致性与事实正确性。论文提出3 个新增指标与2 个聚合指标。论文根据 “是否明确遗忘集的输出模板”，将现有遗忘方法分为untargeted and targeted两类，分别指出两类遗忘存在的问题，给出解决方案。

本文提出首个针对工具增强型大型语言模型（Tool-Augmented LLMs）的工具遗忘（Tool Unlearning）方法TOOLDELETE，旨在安全移除特定工具（如废弃API）的使用能力。该方法通过工具知识删除（TKD）、知识保留（TKR）和通用能力保留（GCR）三大约束实现精准遗忘，并创新性地设计了LiRA-Tool评估方案，利用阴影样本验证工具功能的彻底移除。实验表明，TOOLDEL

摘要：字节跳动2024年论文《Large Language Model Unlearning》提出LLM遗忘技术框架，包含三大核心场景（移除有害输出、删除版权内容、减少幻觉）和三大优势（数据成本低、计算效率高、针对琵）。研究提出梯度上升+多损失协同优化方法，在仅用*mallfraction RL皇后计算时间的情况下，实现有害率的希望逾越 Conexión 7%、版权泄露率<1%、幻觉率降低7

东北大学计算机学院软工工程期末复习指南