Zespół badaczy zaproponował DOW-KE, metodę edycji wiedzy, która całkowicie zmienia podejście do modyfikowania wiedzy w dużych modelach językowych. Zamiast tradycyjnego dwustopniowego procesu - najpierw ustalenia docelowych wartości w środkowych warstwach sieci (tzw. kotwic), a następnie realizacji ich poprzez obliczenia lokalne - DOW-KE bezpośrednio optymalizuje wagi wszystkich edytowanych warstw jednocześnie.
Klucz do innowacyjności metody leży w prostej zasadzie: to, co się optymalizuje, musi być dokładnie tym, co się wdrażane. Dotychczasowe metody z kotwicami miały fundamentalny problem - podczas gdy optymalizowały pośrednie reprezentacje w wybranych warstwach, faktyczne propagowanie zmian przez całą sieć w trakcie działania modelu nigdy nie było bezpośrednio optymalizowane. To prowadziło do zniekształceń i osłabienia sygnału między warstwami, otwierając tzw. "closure gap" - przepaść między zamierzonymi a rzeczywistymi zmianami.
DOW-KE propaguje cel edycji wstecz przez cały model, używając gradient descent na pełnym forward passie. To zapewnia, że każdy krok gradientu bezpośrednio wpływa na rzeczywiste wdrażane aktualizacje, a sprzężenia między warstwami są w pełni uwzględniane. Ponadto metoda integruje ochronę istniejącej wiedzy bezpośrednio w parameteryzacji aktualizacji, zamiast stosować ograniczenia post-hoc, które mogłyby ponownie otworzyć awareness na zniekształcenia. W testach na sekwencyjnych edycjach wiedzy metoda wykazała najlepsze wyniki w pięciu na sześć konfiguracji model-dataset, osiągając zarówno wyższą dokładność edycji, jak i lepszą specyficzność sąsiedztwa (ograniczenie niepożądanych zmian w bliskich konceptach).