我们在大语言模型（LLMS）的域（LLM）探索机器读取（MU）。该计划旨在消除不良数据影响（例如，敏感或非法信息）以及相关的模型功能，同时保持基本知识生成的完整性并不影响因果关系无关的信息。我们设想LLM在LLM的生命周期管理中成为关键要素，这可能是开发生成AI的基础，这不仅是安全，安全和可信赖的，而且还可以提供资源效率，而且还不需要全面再培训。我们从概念表述，方法，指标和应用程序中浏览LLM中的未学习景观。特别是我们强调了现有LLM学习研究的经常被忽视的方面，例如，学习范围，数据模型相互作用和多方面的功效评估。我们还在LLM学习与相关领域（例如模型编辑，影响功能，模型解释，对抗性训练和强化学习）之间建立了联系。此外，我们概述了LLM学习的有效评估框架，并探索其在版权和隐私保障措施中的应用以及减少社会技术危害。