基于激活签名的表征感知遗忘：从抑制到知识签名擦除

从大语言模型中选择性擦除知识对GDPR合规与模型安全至关重要，但现有遗忘方法常将行为抑制误认为真正知识移除，导致潜在能力仍存。本文提出知识免疫框架（KIF），通过靶向内部激活签名而非表面输出，区分真实擦除与混淆。该方法结合动态抑制特定主题表征与参数高效适配，在无需全模型重训练下实现持久遗忘。KIF在保持接近神谕级效用的同时达成近神谕级擦除效果，突破了以往工作中的稳定性-擦除权衡。研究覆盖Llama、Mistral等基础模型及Qwen、DeepSeek等推理优先模型，揭示不同架构在遗忘行为上的根本差异，并提出结合表面泄露与潜在痕迹的双指标评估协议，首次系统诊断跨模型家族与规模的机制级遗忘行为。