**通过激活修补衡量大语言模型遗忘深度**

_Measuring the Depth of LLM Unlearning via Activation Patching_

> 本文提出遗忘深度分数（UDS），一种利用激活修补量化大语言模型遗忘机制深度的指标。UDS 先通过保留模型基准识别编码目标知识的层，再测量其在遗忘模型中被擦除的程度（0-1 尺度）。在 150 个遗忘模型、20 种指标的元评估中，UDS 展现出最高的忠实性和鲁棒性。案例研究揭示了白盒指标在层级上的分歧及擦除深度的样本差异，并提供了将 UDS 整合到现有基准框架的指南。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-06-02 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2605.24614)