站务组整理模型知识编辑中的三个问题：目标事实有没有改对、相关问法是否一起改变、无关能力有没有被影响。只对一个固定提示得到新答案，不足以证明知识已经被可靠更新。也要先区分是在外部提示中覆盖旧信息，还是实际修改了模型参数。

外部覆盖通常通过系统指令、资料或应用配置提供新事实，优点是容易追溯和撤回，但有效性依赖后续输入链路。参数编辑则尝试改变模型内部的相关响应，可能不需要每次附加材料，但要确认修改能否稳定迁移到不同措辞，以及是否影响其他关联。两者解决的问题和维护成本不同。

目标有效性可以用直接问法检查，却还要加入不同语言、逆向提问和嵌套条件。例如更新某设备的维护地点，模型除了回答“在哪里维护”，还可能需要判断某地点是否适用。若只有训练时那一句成功，说明修改可能停留在局部模式，不能视作全面更新。

泛化边界尤其重要。新事实可能只适用于某个日期、版本或地区，不能把所有同名对象都改成新值。旧事实也可能在历史问题中仍然正确，因此“旧答案消失”不一定是理想结果。编辑规格应明确新旧信息的有效范围，而不是只提供一对互相冲突的字符串。

局部性检查则关注旁路影响。修改后应测相近实体、同类属性和不相关任务，观察是否出现意外变化。连续做多次编辑时，还要检查早先编辑是否被覆盖，以及修改顺序是否改变结果。单次成功不能外推为长期维护一个不断更新的知识库也可靠。

本站建议保留编辑前后版本、目标规格、测试问法和回滚方式。若错误来自输入资料或应用规则，先修正该层可能比改权重更清晰。任何更新结论都应说明覆盖范围，不把一次回答更正包装成对全部内部知识的精确控制。能够追踪事实来源和适用条件，往往比一句“模型已经记住了”更有工程价值。

讨论问题：
1. 更新通过外部资料覆盖，还是确实修改了模型参数？
2. 测试是否包含历史条件与同名实体，防止过度泛化？
3. 多次编辑后，如何检查早期更新和无关能力是否仍正常？