多模态大语言模型（MLLM）能够同时处理文本与图像输入，但如何高效地更新这类模型内部的知识，一直是研究中的难点。知识编辑（Knowledge Editing）被视为一种无需重新训练即可修正模型内部事实性知识的机制，然而由Tingchao Fu等九位作者提交至arXiv的论文《Correct When Paired, Wrong When Split: Decoupling and Editing Modality-Specific Neurons in MLLMs》（arXiv:2606.17057，2026年4月20日提交）指出，现有的知识编辑范式存在一个此前较少被关注的关键缺陷，作者将其称为“编辑解耦失败”（editing decoupling failure）。
所谓编辑解耦失败，指的是这样一种现象：当模型被多模态输入（即文本与图像组成的查询对）触发时，实体相关的知识可以被成功更新；但一旦把成对的输入拆开、只保留单一模态（纯文本或纯图像）进行查询，模型往往会回退到编辑前的旧事实。这意味着编辑效果并没有真正写入模型的长期知识表示，而只是依附于特定的多模态触发条件，一旦触发方式改变便会失效。
为理解这一现象，研究团队进行了深入的实证分析。结论是：MLLM中的实体知识并非以统一的表示形式存储，而是分散在彼此解耦的、特定于模态的通路之中。正因如此，那些偏向多模态查询所做的更新，无法有效传播到单模态的计算回路里，导致文本触发和图像触发时模型给出的答案可能不一致。这一发现从机制层面解释了编辑解耦失败的根源，也说明仅针对多模态输入优化编辑目标是不够的。
针对这一问题，作者提出了名为DECODE的方法。DECODE的核心思路是显式地对特定知识所对应的、模态特定的神经元组进行解耦与定位，从而让知识更新能够精确作用于相应的神经元群体，而不是笼统地施加于多模态查询路径。通过这种方式，编辑可以覆盖不同模态触发下的知识表示，避免更新只在一个模态组合下生效。
论文的实验结果显示，DECODE在不同的模态触发条件下都能稳定实现有效的知识更新，从而缓解了编辑解耦失败的问题。这一工作对多模态模型的知识维护、事实修正与安全对齐都具有参考价值，因为它提示研究者在评估知识编辑效果时，应当分别检验多模态与单模态触发下的一致性，而不能仅以成对输入的查询结果作为成功标准。
该论文共18页、含11幅图，归类于机器学习（cs.LG），并交叉涉及人工智能（cs.AI）与计算语言学（cs.CL）方向。论文以arXiv:2606.17057v1发布，DOI为10.48550/arXiv.2606.17057，由Tingchao Fu于2026年4月20日05:43:19 UTC提交。