一、文章主要内容总结该研究聚焦大型语言模型（LLM）的“遗忘技术”（Unlearning），核心解决现有遗忘方法在移除目标知识（如敏感信息、过时内容）时，意外损害模型“上下文效用”（即当被遗忘知识通过提示词重新引入时，模型利用该信息的能力）的问题，具体内容如下：背景与现有局限：LLM训练数据可能包含需移除的敏感/过时信息，全量重训练成本极高，遗忘技术成为高效替代方案。现有遗忘方法的评估仅关注“目标知识遗忘程度”和“保留集效用维持”，却忽略了上下文场景——用户可能在提示中重新提供已遗忘信息（如历史政策对比），此时模型应能正常利用该信息，但现有方法会显著削弱这种能力。实验验证局限：通过TOFU基准测试，在Gemma-2B-IT和Qwen-3-8B模型上评估6种主流遗忘方法（如RMU、NPO、UNDIAL等），发现即使上下文明确提供正确答案，这些方法仍会导致上下文问答（Contextual QA）性能下降15.5%~100%，部分方法甚至产生无意义输出或幻觉。解决方案：上下文感知遗忘技术：在现有遗忘目标函数中加入“上下文项”，通过KL散度将模型在上下文查询上的响应与原始模型对齐，确保模型“记住如何使用”重新引入的已遗忘知识。该方案为插件式设计，可最小改动集成到现有遗忘算法中。实验效果：在3种主流遗忘方法上验证，上下文感知变体将Contextual QA的LLM-Judge分数提升至0.95以上（接近满分1.0），同时保持与原始方法相当的目标知识遗忘效果和保留集效用，且对超参数不敏感，实用性强。