Fang 등(2025)은 '위치 파악 후 편집 (locate-then-edit)' 지식 편집 방법론을 위해 AlphaEdit이라 명명된 영공간 제약 투영 (null-space constrained projection) 방식을 도입했습니다. 이 방식은 편집이 이전에 보존된 지식을 방해하지 않음을 이론적으로 보장하며, LLaMA3, GPT2-XL, GPT-J에서 기존 편집 방법론 대비 상당한 성능 향상을 보고했습니다. 본 연구에서는 AlphaEdit의 재현성 연구 (reproducibility study)를 제시하며, 원래의 실험 설정 하에서 보고된 결과들을 재현하고, 세 가지 축인 새로운 모델 아키텍처 (model architectures), 추가적인 다운스트림 벤치마크 (downstream benchmarks), 그리고 실질적으로 더 긴 순차적 편집 범위 (sequential editing horizons)를 따라 평가를 확장했습니다. 우리는 원래 모델들에서 AlphaEdit의 보고된 지표들을 성공적으로 재현했으나, 보고된 유창성 (fluency) 및 일관성 (consistency) 지표에서 불일치를 확인했습니다. AlphaEdit을 더 최신 모델군으로 확장했을 때, 그 이점이 균일하게 일반화되지 않음을 발견했으며, 이는 '위치 파악 후 편집' 패러다임의 아키텍처적 가정들이 이러한 최신 모델들에 의해 위반되기 때문임을 추적했습니다. 또한, 원래 논문에서 평가된 것보다 훨씬 더 많은 편집 횟수로 확장함으로써 AlphaEdit의 핵심적인 순차적 편집 주장을 스트레스 테스트 (stress-test) 했으며, 원래 보고된 규모에서는 안정적이었던 성능이 편집 횟수가 훨씬 많아짐에 따라 저하된다는 것을 발견했습니다. 이는 영공간 투영 (null-space projection)의 치명적 망각 (catastrophic forgetting) 방지 기능이 무조건적인 것이 아니라 제한적임을 나타냅니다. 마지막으로, 우리는 편집된 모델에 대한 평가를 세 가지 추가 벤치마크인 BoolQ, HellaSwag, XSTest로 확장했으며, 대규모 순차적 편집이 일반적인 다운스트림 태스크 역량과 안전 관련 거부 행동 (safety-relevant refusal behavior) 모두를 저하시킨다는 것을 발견했습니다. 우리의 결과는 AlphaEdit이 원래의 범위 내에서는 보고된 대로 작동함을 확인시켜 주는 동시에, 그 핵심적인 이론적 보장들이 모델 아키텍처와 편집 규모에 민감하며, 이것이 실제 배포 시 실질적인 함의를 갖는다는 점을 보여줍니다.