超越跨语言迁移：多语言中传播边界的基准测试 LLM Unlearning

大语言模型 (LLM) 忘却的目的是抑制目标知识，同时保留一般能力。在多语言环境中，遗忘还必须在其预期的语言范围内传播。然而，现有的评估主要衡量跨语言迁移，无法区分传播不足和过度。我们引入了 CLLPU（LLM Unlearning 的跨语言和语言绑定协议），这是一种多语言基准，它通过两种设置来制定此问题：共同目标遗忘（应在所有语言中抑制目标知识）和语言条件遗忘（抑制应仅限于指定语言）。 CLLPU 结合了目标引导的主题配对、模式感知关系匹配和双锚多语言翻译，构建了 800 个匹配的知识单元对和 10 种语言的 72,000 个 QA 实例。在 Llama-3.1-8B-Instruct 上使用六种代表性方法进行的实验揭示了相反的失败模式：当需要普遍抑制时，遗忘仍然不完整，而当需要语言条件限制时，遗忘会扩散到预期边界之外。我们进一步发现，一般的多语言实用性可以掩盖对邻居知识的损害。这些发现将传播控制确定为多语言 LLM 遗忘的核心挑战。我们公开发布 CLLPU 及其构建管道。