术语slug: continual-learning

持续学习

Continual Learning

模型在不断接收新数据时保持旧知识并学习新任务的能力

收录情报动态

共 10 篇 · 第 1/1 页
量子位 (微信公众号)T2·智能体与协同
58 分
硅谷华人团队 AFK AI 开源 Super-agent 架构 Comma

AFK AI 团队称其产品 Comma 已实现 DeepSeek Harness 提出的「单 Router + 多 Worker」Super-agent 架构,并针对单 Session 上下文瓶颈引入持续学习、长期记忆与 7×24 在线能力,系统已公开可用且代码开源。文章以人类注意力只能同时跟进 3-5 个活跃 Session 为切入点,主张由 Agent 接管海量并行任务。

IT之家 · 智能时代T2·智能体与协同
78 分
Anthropic 提出智能体记忆四层框架与“做梦”机制

Anthropic 发布研究《The components of agent memory》,将 Claude 智能体的记忆拆为会话日志、记忆笔记、知识表征与上下文注入四层,并引入“做梦”机制,让模型在空闲时回顾日志、纠错并提炼规则。在 CL-Bench 数据库问答任务中,带记忆的 Claude Opus 5.5 与 Sonnet 5.5 平均得分升至 0.838 和 0.833,显著高于无记忆基线。

Hacker News AIT2·基座大模型
85 分
Google 提出 Sleep 框架 助 LLM 持续学习防遗忘

Google Research 推出“Sleep”框架,旨在解决大语言模型在持续学习中面临的灾难性遗忘问题。该框架通过模拟睡眠阶段的记忆巩固机制,使模型能在不破坏旧知识的前提下整合新事实并增强推理能力,突破了传统静态知识截止的限制。

Google ResearchT1·基座大模型
85 分
Google Research 提出“睡眠阶段”框架 解决 LLM 持续学习遗忘难题

Google Research 团队在博客中提出了针对大语言模型(LLM)的“睡眠阶段”(Sleep Phase)概念,旨在解决持续学习中的灾难性遗忘问题。该框架模拟生物睡眠机制,允许模型在部署后通过离线整合新事实来增强推理能力,同时保持原有知识稳定,突破了传统静态知识截止日期的限制。

量子位官网T2·基座大模型
45 分
通衍灵智探索递归自进化个性化 AI 技术路径

北京通用人工智能研究院孵化的团队通衍灵智提出“递归自进化个性化智能”概念,旨在通过轻量化参数和持续学习机制,将用户长期交互经验沉淀为专属模型能力。该方案试图解决通用大模型难以保留个人/组织特定知识资产的问题,强调在基础模型之上构建可独立演进的专属智能层。

InfoQ 中文T2·智能体与协同
25 分
QCon 上海预告:具身智能持续学习系统实践分享

QCon 上海大会预告蚂蚁灵波专家将分享具身智能中构建“任务-环境-硬件-模型”全链路数据闭环的系统设计范式。该演讲强调真实世界非静态数据集,需通过端边云协同实现从能力缺口识别到验证改进的持续学习循环。目前仅为会议议程预告,尚未发布具体技术细节或开源成果。

InfoQ 中文T2·智能体与协同
38 分
QCon 上海具身智能专题预告:聚焦真机数据闭环与仿真现实对齐挑战

QCon 上海大会将举办“数据驱动的具身智能”专题,由蚂蚁灵波科技黄用韬博士出品。该活动旨在探讨如何通过构建高质量真机数据体系、优化持续学习闭环以及解决仿真与现实鸿沟,推动具身智能从实验室走向规模化落地。目前内容主要为会议议程与演讲主题前瞻,尚未发布具体技术成果或开源项目。

Apple Machine Learning ResearchT1·智能体与协同
78 分
SCLATE:智能体持续学习训练与评估新基座

SCLATE 提出了一种用于智能体持续学习的执行基座,通过开放事件调度器和混合模拟时钟解决长周期多会话任务的评估难题。该框架允许基准测试和未修改的智能体共享时间线,将月度场景压缩至小时级,并支持对任意智能体进行无侵入式记录与后训练。实验表明,经 SCLATE 后训练的 Qwen3.5-4B 在 SWE-bench Verified 上的通过率提升 16.7 分,同时显著优化了记忆读写效率。

Google ResearchT1·基座大模型
68 分
谷歌提出嵌套学习范式,攻克持续学习遗忘难题

谷歌研究团队提出“嵌套学习”(Nested Learning)新范式,旨在解决大模型在持续学习中面临的灾难性遗忘问题。该理论借鉴人脑神经可塑性,通过多层级结构让模型在不牺牲旧知识的前提下动态获取新技能,为构建具备长期记忆能力的自主智能体提供了新的算法框架。