从事实覆写到知识演化：基于在线策略自蒸馏的因果编辑

尽管知识编辑（KE）能实现高效更新，其主流的静态事实覆写范式将LLM当作离散数据库，强行注入孤立的事实。这会割裂预训练的逻辑拓扑，引发认知失调（Epistemic Dissonance）——一种病理现象：未随之演化的旧有先验迫使模型显式否定被注入的更新。理想化干预揭示，这是一种固有的结构性缺陷而非单纯的算法噪声：一个零失真代理即导致高达95.6%的自我反驳率。鉴于现实世界知识的因果驱动本质，将更新锚定于显式的因果叙事可把这一冲突率有效压低至仅6.6%，凸显了向因果编辑（Causal Editing）范式转变的迫切性。为内化这种演化，我们提出CODE（Causal On-policy Distillation for Editing，面向编辑的因果在线策略蒸馏）。通过将因果自助法（causal bootstrapping）与非对称在线策略蒸馏相耦合，CODE将因果转移逻辑直接镌刻进参数记忆。在LLaMA-3.1和Qwen-2.5上的实验表明，CODE将自我反驳率大幅压至1.8%，同时保有稳健的多跳准确率（最高83.5%），将离散的事实注入无缝转变为连贯的知识演化。代码发布于 https://github.com/CrashBugger/CODE。