EasyEdit

像改数据库一样,直接修改大模型的知识,无需重训练。

开源 🏷️完全免费 🔧 仅开源项目,无在线服务,需自行部署 对话助手 🍴 复刻 376 👀 关注 26
访问官网 ↗ GitHub ↗
GitHub 星标 ★ 2938
维护状态 活跃
是否开源 开源
定价模式 🏷️完全免费 开源框架,MIT许可证,完全免费,需自行部署使用。

项目预览

EasyEdit 项目界面预览图
图片来源:GitHub 官方仓库名片

项目数据

分类对话助手
开发团队zjunlp
定价模式🏷️完全免费
价格说明开源框架,MIT许可证,完全免费,需自行部署使用。
访问状态🔧 仅开源项目,无在线服务,需自行部署
是否开源是
开源协议MIT
主要语言Jupyter Notebook
技术栈/模型artificial-intelligence,baichuan,chatgpt,cknowedit,easyedit,easyedit2,efficient,gpt,knowedit,knowledge-editing,knowlm,large-language-models,llama,mmedit,model-editing,natural-language-processing,safeedit,tool,trustworthy-ai,unlearning
GitHub 星标★ 2938
上线时间2023-05-09 00:00:00
代码更新2026-11-07
仓库体积96.2 MB
本站数据更新2026-11-10
维护状态活跃
收录时间2026-08-09
浏览次数3

项目介绍

EasyEdit 是一个面向大语言模型(LLM)的知识编辑框架,由 ACL 2024 论文提出,旨在高效、精准地修改模型内部已学到的知识,而无需重新训练或微调。它解决了 LLM 知识过时、错误或需要个性化更新的痛点,让开发者能像操作数据库一样直接编辑模型记忆。核心能力包括:支持多种主流知识编辑方法(如 KN、MEND、ROME 等)的统一实现与对比,提供简洁的 API 和命令行工具,覆盖从单点知识编辑到批量编辑、从模型评估到回滚的完整流程。项目代码结构清晰,附带丰富示例和文档,便于研究者复现实验和开发者集成到实际应用。其设计强调易用性和可扩展性,降低了知识编辑技术的使用门槛,推动了大模型在动态知识场景中的实用化。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化,观测越久曲线越完整

数据来源:GitHub API 逐日快照 · 收录于 2026-08-09 · 当前星标 ★ 2938

使用教程

难度:进阶 约 15 分钟 部署方式:库/依赖 7 步

环境要求

  • Python 3.9+(README 示例使用 3.10)
  • 已安装 conda(用于创建独立环境)
  • 已安装 git,可克隆 GitHub 仓库
  • 可选:uv(用于更快的依赖安装)
  • 运行知识编辑实验需足够 GPU 显存(不同方法 6GB~60GB 不等)

安装与启动步骤

  1. 1克隆仓库

    从 GitHub 拉取 EasyEdit 源码到本地,确保网络可访问 GitHub。

    git clone https://github.com/zjunlp/EasyEdit.git
  2. 2进入项目目录

    切换到刚克隆下来的 EasyEdit 目录,后续命令都在此执行。

    cd EasyEdit
  3. 3创建 conda 环境

    README 明确要求 Python 3.9+,示例命令使用 3.10,环境名为 EasyEdit。

    conda create -n EasyEdit python=3.10
  4. 4激活环境

    激活后所有依赖都会装进该隔离环境,避免污染系统 Python。

    conda activate EasyEdit
  5. 5安装依赖

    使用 pip 按 requirements.txt 安装全部依赖,耗时较长请耐心等待。

    pip install -r requirements.txt
  6. 6改用 uv 安装(可选)

    若追求更快的依赖解析,可先装 uv 再安装;CPU 环境把 cu128 换成 cpu。

    pip install uv
    uv pip install --torch-backend cu128 -r requirements.txt
  7. 7校验环境

    用 uv pip check 检查依赖是否完整、版本是否冲突。

    uv pip check

如何确认成功

执行 uv pip check,未报依赖缺失或版本冲突即为安装成功;随后可按 examples 中的脚本(如 KnowEdit.md)跑通一次编辑流程。

常见问题

Q:必须用哪个 Python 版本?

A:README 要求 Python 3.9+,官方命令示例统一使用 3.10,建议直接按示例创建 3.10 环境以避免兼容问题。

Q:uv 安装和 pip 安装有什么区别?

A:两者安装的依赖一致,uv 只是解析与下载更快。README 给出 uv 命令并附加 --torch-backend 参数指定 PyTorch 后端。

Q:只有 CPU 的机器能装吗?

A:可以安装,把 uv 命令中的 cu128 换成 cpu:uv pip install --torch-backend cpu -r requirements.txt,但实际编辑实验通常仍需 GPU。

Q:跑一次编辑需要多少显存?

A:README 按方法给出参考:ROME 约 27~31GB、MEMIT 约 31~33GB、MEND 约 37~46GB,FT 最高约 55~60GB(以 llama-2-7B 等模型为例)。

Q:装完怎么开始用?

A:README 指向 examples 目录,其中 KnowEdit.md 提供了可直接参考的详细使用脚本。

注意事项

  • README 强调请使用 Python 3.9+,低于该版本可能安装失败。
  • 显存占用数据基于默认配置,不同模型与方法差异较大,请提前确认硬件条件。
  • 项目主体为 Jupyter Notebook 与示例脚本,建议在 examples 目录下按官方文档逐步尝试。

核心亮点

  • 集成多种主流知识编辑算法(ROME、MEND、KN 等),开箱即用对比实验
  • 提供统一简洁的 API 和 CLI,支持单条/批量知识编辑,上手快
  • 由 ACL 2024 论文背书,代码质量高,附详细文档和示例

不足之处

  • 主要面向研究场景,生产环境下的稳定性与性能调优需自行探索
  • 对超大规模模型(如千亿参数)的编辑效率与内存占用仍待优化

适用场景

  • 快速修正 LLM 中的过时或错误事实,如新闻事件、产品信息
  • 为特定领域定制模型知识,如医疗、法律等垂直场景
  • 研究知识编辑算法的效果对比与模型可解释性分析

替代项目

KnowledgeEditor、MEND、ROME

上一篇:zeta

下一篇:MedicalGPT

同类项目推荐

sapientml 开源

上传表格数据,自动生成并筛出可用建模流水线

Generative AutoML for Tabular Data

★ 446 2026-11-03
verl-vla 开源

采集+微调+RL 一条龙,让机器人 VLA 策略快速迭代

A unified VLA post-training framework for human-in-the-loop data collection, fine-tu···

★ 152 2026-09-29
GRAPE 开源

给图神经网络装上更强的位置编码,提升结构感知能力。

[ICLR 2026] GRAPE: Group Representational Position Encoding (https://arxiv.org/abs/2···

★ 122 2026-08-09
IPR 开源

逐步纠错,让LLM智能体每一步都走对

Watch Every Step! LLM Agent Learning via Iterative Step-level Process Refinement (E···

★ 67 2026-08-09
TimeSeriesScientist 开源

一键搞定时间序列预测,省去繁琐调参

Official Repository for TimeSeriesScientist

★ 179 2026-08-09
dFactory 开源

几行代码微调扩散语言模型,省显存快验证

Easy and Efficient dLLM Fine-Tuning

★ 272 2026-09-29
sagemaker-training-toolkit 开源

把训练脚本塞进容器,SageMaker 自动跑训练并上传模型

Train machine learning models within a Docker container using Amazon SageMaker.

★ 532 2026-10-12
meta-context-engineering 开源

让AI自动进化上下文策略,告别手写提示词

[ICML 2026] Meta Context Engineering via Agentic Skill Evolution

★ 185 2026-08-09
katib 开源

在K8s上自动调参,让模型优化省心省力

WARNING: Katib project is DEPRECATED, users should migrate to OptimizationJob and Ku···

★ 1707 2026-08-09