Null-Space（零空间）指线性代数中矩阵将输入映射为零输出的向量集合，在机器学习研究中正成为控制模型行为、实现精准遗忘与结构恢复的重要工具——通过对特定子空间做投影或约束，研究者可以在不重训模型的前提下修改或删除某些能力。这一思路近期的价值在于：它把模型干预问题转化为寻找“最小影响路径”，即只改动与目标行为相关的分量，而让其他能力落在零空间中保持不变。
Null-Space 近期进展
当前焦点与观察点
从这三项工作看，Null-Space 相关研究的共同关切是“干预的精确性与持久性”：行为控制希望改动尽可能小，遗忘希望删除得足够彻底且不可逆。争议点也随之而来——遗忘的永久性可能被滥用于不当删除信息，而行为子空间的操控则牵涉模型对齐与安全性。后续值得观察的方向包括：零空间投影是否能在更大规模模型上保持稳定，以及这类几何化干预能否形成可复现的标准评测基准。