在一次前向计算里替换激活，让答案改变；把某层权重更新后保存模型，让未来请求也改变。这两种操作都可能被叫作编辑，但持续时间、影响范围和回滚方式完全不同。
Anthropic 的 global workspace 研究讨论内部激活上的干预。不能因此推导出“无需训练就永久修改模型知识”。状态干预改变一次计算路径，参数编辑改变生成这些状态的函数；缓存和外部记忆又是另外的持久化机制。
先用一个明确区分两者的小模型。权重保持不可变元组；临时覆盖隐藏状态只作用于那次调用。随后再构造另一组权重，观察它会持续影响所有输入。这个例子不模拟 Transformer，也不声称能编辑真实知识。
def forward(x, weights, hidden_override=None):
if len(x) != len(weights):
raise ValueError("shape mismatch")
hidden = sum(a*b for a, b in zip(x, weights))
if hidden_override is not None:
hidden = float(hidden_override)
return hidden
weights = (2.0, -1.0)
x, unrelated = (1.0, 0.0), (0.0, 1.0)
before = forward(x, weights)
temporary = forward(x, weights, hidden_override=9.0)
after = forward(x, weights)
edited_weights = (9.0, -1.0)
assert (before, temporary, after) == (2.0, 9.0, 2.0)
assert weights == (2.0, -1.0)
assert forward(x, edited_weights) == 9.0
assert forward(unrelated, weights) == forward(unrelated, edited_weights)
print("temporary:", before, temporary, after)
print("persistent new weights:", forward(x, edited_weights))
这里的“不相关输入保持不变”只验证了一个向量。真实参数编辑需要更广的局部性测试：同义改写、其他语言、相关关系、无关实体和多轮上下文。编辑目标答案成功，只是 efficacy；它不能替代泛化与副作用测量。
临时 hook 也有风险：忘记移除会污染下一次请求；张量位置对齐错误会改到别的 token；把 clean 运行的整段状态带入，还可能泄露目标答案。实验应为每次运行建立清晰作用域，并在退出后验证恢复。
如果效果在重启进程后消失，应优先检查是否只改了运行状态；如果效果在清缓存后消失，应检查缓存或检索层。本文没有运行真实 hook 或编辑算法，只用标准库验证作用域差别。给操作准确命名，能让实验结果少承担一份它没有证明的结论。
