持续学习

推荐理由：这篇论文提出了一种无奖励持续学习框架，对于太空机器人适应硬件退化问题有重要意义，值得一读。

推荐理由：这篇论文提出了一个针对恶意软件识别的持续学习方法，结合自监督学习和低秩自适应，效果显著，值得一读。

推荐理由：老哥，LangChain要办旧金山学习活动，讲持续学习和智能系统那些事儿，还能和团队见面互动，比普通讲座有意思多啦！

推荐理由：Ilya的SSI第一款模型来了，主打持续学习。不拼参数和跑分，而是让模型越用越聪明。

推荐理由：想了解怎么让模型部署后还能继续学？Macaron-V1用LoRA组合和递归改进做到了，744B大模型加四个专家LoRA，还开源。

推荐理由：这篇论文把持续学习的新玩法梳理清楚了，不再只盯着参数调整，连测试时训练、外部记忆都算进去了。搞AI系统的可以看看。

推荐理由：这篇论文发现：渐进适应时任务分得越细，每个任务训练时间反而要按1/N缩放。用MNIST和Yearbook验证了，做持续学习的朋友可以看看。

推荐理由：这篇论文给了一套测试方法，来验证 LLM 智能体到底会不会把经验变成可复用的技能，而不是光靠记住上下文。

推荐理由：持续学习里OOD检测老退化，这篇论文讲清了原因，还给了免训练的TOOD校准方法，CIFAR上九成配置都能排前二。

推荐理由：微软研究院新出的EvoLib，让LLM在部署后还能变聪明，不是死记硬背，而是积累可复用的技能和经验，挺有想法的。

推荐理由：有人从公开信息猜出了Ilya Sutskever在SSI的研究方向，可能是让AI像大脑一样持续学习，不再死记硬背。

推荐理由：这篇文章分析了Ilya Sutskever的SSI可能在做类脑持续学习，Nvidia还投了钱给了10倍算力，听起来比现在冻结的模型聪明多了。

推荐理由：如果你在用 LangSmith 做智能体，想测试 Engine 能不能自动改进，这个评估套件能帮你量化效果，值得一看。

推荐理由：别再给智能体重训练了，先搞定记忆。Mem0创始人手把手教你5步循环，来自实战经验。

推荐理由：这篇论文用Terminal-Bench 2.0测试三种Agent优化方法，发现只有RELAI-VCL能持续累积提升，终身平均76.4%远超其他。做智能体持续学习的人必看。

推荐理由：LeCun团队搞了个新研究，让世界模型能一直学新东西不忘记旧的，跟之前的世界模型不一样。

推荐理由：这篇讨论点出了很多AI产品落地卡在哪：模型学不会新东西，每次都要人来教。想避开跟风炒作，先看懂这个根本问题。

推荐理由：Jim Fan团队搞了个新东西叫ASPIRE，让机器人自己攒技能库，迁移学习快了10倍，还开源了全栈代码。

推荐理由：这篇论文用同一个惊喜信号同时解决了持续学习的灾难性遗忘和VLM的元认知问题，效果很漂亮，值得做记忆或VLM的朋友看看。

推荐理由：一条关于AI记忆设计的有趣观点，帮你重新思考memory重心，别再只盯着存储层了。

推荐理由：这篇论文提出用LoRA和混合专家架构让智能体不断学新动作而不忘旧的，5任务基准上几乎零遗忘，值得做持续学习或运动生成的看看。

推荐理由：这篇论文提出了一个叫FSDIL的新问题和一个叫CVLC的算法，用双融合投影微调视觉语言模型，在少样本领域增量学习上比之前的方法好16%。

推荐理由：这篇论文提出CIRCLE方法：用固定储层特征做持续学习，无需回放，在长任务序列上比现有方法更快更准确。

推荐理由：这篇论文研究了怎么让机器人在学新任务时不忘旧技能，用不确定性主动挑数据微调VLA模型，比被动收集更高效，还试了两种防遗忘方法，挺实在的。

推荐理由：这篇论文用实验告诉你：模块化在持续学习中不是万能的，维度低时才有用，帮你判断何时该用模块化设计。

推荐理由：这篇论文用空间聚类和驻留时间自适应平均，解决了移动场景下联邦学习数据漂移的老大难问题，效果比标准FL好很多。

推荐理由：这篇论文提出了ReGrad，把梯度当知识存起来，推理时才取用，不破坏原有模型参数，效果比CPT和RAG都好。

推荐理由：这篇论文用几何视角重新定义了灾难性遗忘，做持续学习或模型遗忘研究的开发者会看到新方向——遗忘不是删除，而是藏起来了。建议关注其恢复子空间维度的测量方法，可能启发新的抗遗忘算法。