参考资料

论文中常见的过时参数可能包括基准数据、算法、模型架构、实验设置等。这些参数需要更新的原因主要有以下几点：

1. 知识冲突和错误信息：随着时间的推移，模型中的知识可能会与新信息产生冲突，导致输出错误或过时的信息。例如，引用的研究提到了知识编辑技术，它允许直接更新已训练模型的参数知识以反映最新信息。

2. 技术进步：新的研究和技术不断涌现，可能会导致原有的算法或模型架构变得过时。例如，LoRA（Low-Rank Adaptation）是一种微调大型语言模型的方法，它通过在模型的原始权重中添加一个低秩的调整来实现对模型的微调，减少了微调所需的参数数量。

3. 数据的时效性：论文中使用的数据可能随着时间的推移而变得不再具有代表性或准确性。例如，审稿人可能会指出基准线（baseline）太旧，意味着所比较的基准数据或参考数据过时或不再具备代表性。

4. 提高模型性能：更新参数可以帮助提升模型的性能和适应性。例如，通过参数高效适应方法，可以在保持预训练模型权重不变的同时，有效地适应下游任务。

5. 减少计算资源消耗：更新参数可以减少模型训练和推理过程中的计算资源消耗。例如，LoRA方法通过优化适应过程中密集层变化的秩分解矩阵来间接训练一些密集层，同时保持预训练权重冻结，从而节省了计算资源。

综上所述，更新论文中的过时参数是为了确保研究结果的准确性、提高模型性能、适应技术发展，并减少计算资源的消耗。