是什么：模型一旦在某些数据上训练过，这些数据的影响就「长」在参数里。当数据涉及隐私（用户要求删除）、版权（授权到期）或安全（投毒样本）需要下线时，从头重训成本高到不可行。机器遗忘（machine unlearning）研究的就是：如何在不重训（或只小代价重训）的前提下，让模型忘掉指定样本的影响，效果尽量接近「用剩余数据从头重训」。
代表性工作
Bourtoule 等人 2019 年的论文正式提出 machine unlearning 框架，其 SISA 思路是把训练数据分片训练多个子模型，删除时只需重训受影响的分片，用架构上的准备换删除时的低成本。面向大语言模型，TOFU 基准提出了虚构作者传记数据集与评测指标（遗忘效果与模型可用性的联合衡量），成为 LLM 遗忘研究的常用标尺。常见技术路线包括梯度上升 forget、参数微调修正、表示层面干预等。
难点与边界
① 验证很困难——「忘掉」的判定标准（输出不再复现？参数距离？对下游任务影响？）至今没有共识，表面不吐露不等于影响真的消除，模型可能只是「学会了不提」；② 大模型上近似遗忘方法容易残留「残影」，对抗性提问可能把信息勾出来；③ 遗忘与模型能力保持之间存在权衡，忘得越狠、越容易伤及无关能力。它是隐私合规与研究热点，但工程上尚无「一键彻底删除」的成熟方案。