lifelong-learning

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。

SOLAR提出了一种自我优化的自主代理，利用参数级元学习和多层次强化学习，使LLMs能够对非平稳数据流进行终身适应，在推理任务上超越基线。

LiSA（终身安全适应）是一个框架，通过将偶尔的失败转化为可重用的策略抽象，并利用基于证据的置信门控在稀疏和噪声反馈下保持良好性能，从而增强AI代理的安全护栏，解决实际部署中对自适应安全的关键需求。

预印本 SEAL 勾勒了未来大模型如何在部署后自我更新，暗示 GPT-6 可能通过不断演化的内部状态展现“计算生命”特征。

CobwebTM是一种低参数的终身分层主题建模方法，将Cobweb算法应用于连续文档嵌入，实现无监督主题发现和动态分层组织，无需预定义主题数量。该方法将增量符号概念形成与预训练表示相结合，在避免灾难性遗忘的同时实现强大的主题一致性。

SkillFlow 推出了一个涵盖20个任务家族共166项任务的基准测试，用于评估自主智能体在终身学习协议下，随时间推移发现、修复并维护技能的能力。实验揭示了主流模型之间存在显著的能力差距：Claude Opus 4.6 通过技能演化获得了显著提升，而其他模型的收益有限甚至为负。