TULIP: Targeted LLM Unlearning at Layers Identified Per-Input

arXiv cs.AI · 29 sept, 06:00

Investigadores presentan TULIP, un método para el «unlearning» (desaprendizaje) en modelos de lenguaje grande que identifica de forma dinámica en qué capa de la red se forma cada respuesta olvidable y aplica técnicas de supresión en ese punto específico. A diferencia de métodos existentes que operan en una única capa fija, TULIP adapta la intervención por cada entrada, mejorando la robustez frente a paráfrasis y cuantización del modelo.