标签
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。
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。
OpenAI与Fast Campus在首尔共同举办面向50、60岁学习者的实践性AI教育项目，使用ChatGPT和Codex支持动手学习与构建。