标签
论文提出 MemCryst 框架，通过记忆与技能的双向学习实现冻结语言模型下的终身上下文适应，并在 ALFWorld 等十个设置中的七个对比中取得领先结果。
论文提出 TokenWorth，一个轻量级在线记忆框架，在严格的资源约束下学习哪些历史经验值得保留和重用，从而在提升终身智能体任务成功率的同时减少 token 消耗。
该论文提出了一个面向多模态智能体记忆的双轴分析框架：轴一关注多模态信息的形成与表示方式，轴二将记忆管理划分为静态记忆、动态记忆和自进化记忆三个层级，并总结了相关设计模式与未来研究方向。
论文提出 LadderEdit，通过将每个 LoRA 编辑适配器压缩为低秩草图，并在草图无法满足重写、泛化和局部性要求时沿阶梯提升秩，实现 5.2 倍的存储节省，并在 50,000 次连续编辑上保持有效性。
来自 Microsoft 和 UCSB 的研究人员提出了 ScholarEvolve 框架，通过挖掘已发表的 AI 研究中的改进策略来演进智能体框架，在模型保持不变的情况下，在 AppWorld 和 Tau2-Bench 上取得了显著提升。
BrainStem 是一个自学习语言理解系统，旨在通过统计观察从未分割的文本中获取语言结构，模拟生物记忆巩固以实现终身学习。
论文提出了 NavHarness——一种免训练的具身导航框架（harness），将记忆处理融入导航循环，使智能体能够在不同会话之间携带经验，实现终身导航。在 GOAT-Bench 上，相比仅依赖上下文的独立会话，该方法将成功率最高提升 22.6 个百分点，并借助 GPT-6/Astra 达到当前最优结果。
ThinkFlow 是一种新颖的端到端潜变量记忆框架，专为终身对话代理设计，通过概率向量克服文本记忆瓶颈。它通过自进化和测试时学习实现自主个性化，性能超越现有记忆系统。
LifeMem是一个终身学习框架，它通过聚类交互轨迹来提取可复用技能，使LLM代理能够在多个环境中迁移知识，从而减少遗忘并提升跨任务迁移能力。
SimSkill是一个终身学习AI代理，通过识别能力差距、生成任务并使用记忆系统来提高性能，自主掌握交通仿真，在基准测试中任务完成率提升高达25%。
本文介绍了一种为持续学习系统设计的统计决策层，允许专家池根据累积证据决定是重用现有模型、生成新模型还是推迟，具有管理非平稳数据流的理论保证和系统贡献。
本文提出了一种新型神经架构4MAS，受生物双边性和记忆巩固启发，旨在解决终身学习中的灾难性遗忘问题，在基准数据集上取得了具有竞争力的结果。
This paper proposes a self-evolving memory framework for lifelong AI partners in materials science, storing scientific experience as facts and skills to improve agent performance across models. Evaluations show memory nearly doubles GPT-5.2 task success in materials tool-use questions and reduces repeated errors in simulations.
微软研究院推出EvoLib，这是一个框架，使LLMs能够在推理过程中从自身经验中持续学习，通过提取可复用的技能和洞察，无需模型更新或外部标签。
DeepTutor 是一个由香港大学数据智能实验室开发的开源个性化辅导平台，提供持久化学习上下文、可追溯的记忆系统、灵活部署和多场景学习支持，旨在解决AI辅导中的对话连续性和建议可解释性问题。
一篇讨论帖，质疑AI中持续学习的定义和要求，引用了Dario Amodei和Demis Hassabis近期关于其对通用人工智能（AGI）重要性的言论。
NVIDIA 的 ASPIRE 框架使机器人能够从成功经验中构建一个持久的技能库，允许复用于新任务，并随着时间的推移提高学习效率。
介绍了一种新颖的认知架构，它无需反向传播、GPU或遗忘即可学习，模仿了生物学习方式。
MLUBench 是一个大规模的多模态大语言模型终身遗忘基准，包含9个类别的127个实体。论文指出现有遗忘方法存在累积退化问题，并提出 LUMoE 来缓解此问题，显示出显著改进。
本文提出RidgeFT，一个轻量级的分析更新框架，用于终身机器生成文本归因，能够适应新的文本生成器而不遗忘旧的，在多个评估设置中取得了强劲性能。