主要内容本文提出了首个针对医疗多模态大语言模型（Medical Multimodal Large Language Models, Medical MLLMs）知识编辑的综合基准MedMKEB。该基准基于高质量医疗视觉问答数据集构建，包含反事实修正、语义泛化、知识迁移和对抗鲁棒性等编辑任务，并经医学专家验证以确保准确性。MedMKEB从五个维度评估知识编辑效果：可靠性：模型输出是否与新注入知识一致；局部性：无关知识是否不受编辑影响；泛化性：模型能否将编辑知识应用于语义相似的未见过案例；可移植性：编辑知识能否迁移到相关推理场景；鲁棒性：编辑后模型在对抗性提示下的稳定性。通过在主流通用和医疗MLLMs上的单编辑和序列编辑实验，研究发现现有知识编辑方法在医疗领域存在局限性（如泛化性不足、多跳推理能力弱等），强调了开发专门医疗编辑策略的必要性。MedMKEB旨在成为推动可信、高效医疗知识编辑算法发展的标准基准。创新点首个多模态医疗知识编辑基准：MedMKEB是首个覆盖多模态（图像、文本）、多任务（视觉问答、知识推理等）且经专家验证的医疗知识编辑基准。多维度评估框架：设计了包含可靠性、局部性、泛化性、可移植性和鲁棒性的评