FOVEATED：非结构化知识编辑的聚焦视图

大语言模型日益充当事实知识的通用接口，但其参数不会自动反映预训练后变化的信息。知识编辑（KE）通过修改选定知识并保持无关知识与通用能力，提供免昂贵重训的定向替代。传统KE使用结构化事实三元组，而非结构化KE（UKE）使用含多个事实的自由格式段落。但现有UKE编辑器存在语境依赖的失败模式：被编辑的LLM常能复述编辑段落，却无法在脱离原文语境时可靠回忆其单个事实。我们识别出标准段落级编辑目标下的"语境诱导难度低估"：越靠后的事实获得越丰富的真值上下文因而初始损失越低，显得更易学。为此我们提出FOVEATED——即插即用框架，通过随机平移分配给其前文键的RoPE位置，为每句构造聚焦视图；扰动在编辑期间施加、事后移除，推理时模型的固有位置编码不变。我们为直接优化与定位后编辑两类编辑器实例化FOVEATED，理论分析其如何对抗语境诱导难度低估，并在五个KE编辑器、两个LLM骨干与三个基准上实证一致改善。