In den Nachrichten
Linguistic Loopholes in LLM Unlearning: From a 174-Language Benchmark to Coverage-Aware Unlearning
arXiv cs.AI · Veröffentlicht am · 3 Min. Lesezeit
In 30 Sekunden
- Was passiert ist
- Researchers discovered that unlearning facts in one language doesn't remove them in others, and proposed COVER, a method to select which languages to target for efficient multilingual unlearning.
- Warum es zählt
- Matters for engineers deploying LLMs where data removal compliance spans multiple languages and computational budgets limit full multilingual retraining.
- Achtung
- COVER requires calibration data and frozen model access at deployment; gains measured on synthetic benchmarks and limited real-world low-resource language tests.
Den vollständigen Artikel lesen
- llm
- rag
- edge
- benchmark
Die Patterns dahinter
- Budget-Guarded Autonomy
- MAPS: Multilingual Agent Performance & Security
- Agentic Context Engineering (Evolving Playbook)
Jedes zeigt, wie die Technik arbeitet, wann sie ihren Aufwand wert ist und wo sie scheitert.
The Agent Architect
Ein Pattern, ein Tradeoff, eine Produktionspanne. Ein kurzes wöchentliches Briefing für alle, die agentische Systeme bauen.
Wöchentliche E-Mail, Abmeldung mit einem Klick. Ihre Adresse wird nur für das Briefing verwendet.