标签
一项预测表明，持续学习将在2027年之前为本地AI系统做好采用准备，批评了当前的方法如Markdown工具和上下文学习。
本文提出了Homeostatic Continual Learning，一种使AI代理在变化环境中持续学习而不发生灾难性遗忘的方法，通过检测离群点并逐步扩展世界模型来实现。
ScienceBuddy 引入了一种递归中递归的自我改进范式，用于交互式科学代理，通过研究员合作与反馈实现持续演进。
本文介绍了ASCIL，一个后ASR框架，它根据用户反馈和上下文信号进行调整，以纠正AI助手中的误唤醒激活，在低延迟下实现了显著的错误减少。
本文提出了一种用于持续实体代理更新准入的审计协议，强调需要在错误控制与保留学习机会之间取得平衡，以防止有害更新并促进有用学习。
本文介绍了一种分叉账本协议，用于衡量持续适应中世界模型更新的反事实效用，表明总是应用更新会降低CartPole和Walker等控制任务的性能。
AhaBench 是一个基准测试套件，通过测试探索、知识转移和延迟反馈处理，评估语言智能体在长期任务中是否从先前经验中改进。
Fly Escape Room 被介绍为全球首款由真实果蝇大脑驱动NPC的游戏，模拟嗅觉智能并为持续学习实验提供平台。
Supermemory强调了AI智能体持续学习的重要性，并介绍了learner-1，这是一个旨在为各种用例推动记忆和上下文学习的新模型。
本文表明，结合互补的持续学习机制可以增强语言模型中的长期记忆，通过数据、功能和权重锚点以及合并的LoRA，将保留率提升28倍。
文章推测，GPT-6 Astra Aeon——一个拥有持久记忆的AI代理——可能实现持续学习，并代表AI能力超越基准测试改进的重大转变。
本文提出一个理论框架，表明神经网络中的学习会产生图对称性（纤维化和覆盖），从而能够显著压缩模型并提升持续学习性能。
SkillGLoW 是一种用于LLM代理的方法，它将技能组织成程序族，以增强在长时任务上的自我改进，相比基线展示了显著的性能提升。
MASkills 提出了一个持续学习框架，通过智能体技能优化多智能体LLM系统，使用基于技能的信用分配和层次聚合来提升在 HotpotQA 和 GAIA 等任务上的性能。
本文介绍了EVOHARNESSBENCH，一个用于评估在工具、技能和代理框架不断演进下的LLM代理的基准测试，揭示了在保持和适应方面的差距。
本文讨论了Test Time Training作为AI开发中潜在的新扩展轴，分析了一篇将其定位为线性注意力形式的论文，并探讨了其对模型训练和持续学习的影响。
LangChain 将在旧金山举办一场晚间活动，内容包括持续学习的技术讲座、Prime Intellect 和 Baseten 的演讲嘉宾，以及面向 AI 智能体工程社区的社交机会。
HypReflect 是一个用于大语言模型助手持续个性化的框架，它从用户信号中推断显式偏好假设，并使用自蒸馏来适应，优于基线并泛化到未见过的用户和跨领域设置。
本文提出了一项长期实验，旨在保持具身AI智能体数十年的发展连续性，以研究意识和个体性，并将其与新初始化的智能体进行比较。