配对时正确，分割时错误：解耦和编辑 MLLM 中的模态特定神经元

尽管知识编辑提供了一种更新多模态 大语言模型 (MLLM) 知识的有效机制，但我们发现当前范式仍然面临一个重要但仍未得到充分研究的问题：编辑解耦失败，当模型被多模态输入（文本-图像查询对）触发时，可以更新实体相关的知识，然而，当成对输入被拆分为单模态输入时，它通常会恢复为过时的预编辑事实。我们深入的实证分析表明，MLLM 中的实体知识并不是以统一的表示形式存储的，而是分布在解开的特定模态路径中。因此，偏向于多模态查询的更新无法有效地传播到单模态电路。为了弥补这一差距，我们提出了 DECODE，它明确地解开并定位特定于模态的神经元组以获得目标知识。大量实验表明，DECODE 在不同模态触发下始终如一地实现有效的知识更新，从而减轻编辑解耦失败。