論文總結與翻譯：《Unlearning at Scale: Implementing the Right to be Forgotten in Large Language Models》一、文章主要內容總結本文聚焦歐盟《通用數據保護條例》（GDPR）第17條規定的“被遺忘權”，針對大型語言模型（LLMs）的合規性難題，提出將模型“遺忘”（Unlearning）轉化為可復現的系統級問題。核心思路是把LLM訓練視為確定性程序，通過記錄最小化的微批次日志（含有序樣本ID哈希、隨機數種子、學習率、優化器步數等），在滿足確定性條件時，過濾“待遺忘數據”并回放訓練過程，可得到與僅用“保留數據”訓練完全一致的模型參數（訓練數據類型下的位級一致）。為平衡延遲與可用性需求，文章設計了三條互補執行路徑：近期步驟精確回滾：通過微檢查點或每步密集增量，實現近期訓練步驟的即時精確撤銷；** cohort 范圍適配器刪除**：當基礎模型凍結時，直接刪除特定 cohort 訓練的低秩適配器（LoRA），消除該 cohort 數據的影響；曲率引導反更新：緊急場景下，先基于曲率（如對角Fisher信息）計算反更新調整模型，再用保留數據微調，若審計不通過則升級為精確回放。此外，文章還構建了可審計的工作流（含簽名遺忘清單記錄所有操作與產物）、明確的