持续学习

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。

推荐理由：心脏模拟领域终于有了能应对临床数据流变化的方案——CoMetaPNS解决了灾难性遗忘问题，做个性化医疗模拟或心脏电生理研究的团队可以直接参考其持续学习框架。

推荐理由：做无监督学习和持续学习的团队终于有了聚类场景的专用方案——FBCC 不依赖标签和旧数据就能保持聚类结构，做数据流聚类或隐私敏感场景的开发者可以直接参考实验设置。

推荐理由：联邦学习团队终于有了应对数据漂移的实用方案——FlashbackCL直接替换Flashback即可，做边缘设备或持续学习部署的开发者值得一试。

推荐理由：做智能体持续学习和记忆设计的团队，AgentCL提供了比现有基准更严格的评估方法，能帮你诊断记忆设计在跨任务复用中的真实效果，值得参考。

推荐理由：做多模态持续学习的团队终于有了解决任务路由混乱的方案——ProtoAda通过原型感知输出结构，避免VQA和接地任务互相污染，建议关注论文中的几何整合细节。

推荐理由：这场辩论把 AI 架构之争讲得既硬核又好玩，做模型研究或关注下一代架构的开发者看完会有新视角，建议直接看原视频。

推荐理由：做 LLM 微调或持续学习的团队，终于有了量化记忆容量的理论工具——MemFT 能直接帮你优化训练预算分配，建议做 LoRA 相关工作的点开看看。

推荐理由：Biohub的蛋白质世界模型可能改写药物研发规则，做生物计算或制药的团队值得关注；OpenAI的2.5亿美元投入则暗示AI教育赛道即将爆发，相关从业者建议点开了解。

推荐理由：持续学习是打破模型静态瓶颈的关键方向，做 AI 研究和工程化的团队值得关注 Trajectory Labs 的进展，看看他们如何用 AI Native Cloud 实现动态模型训练。

推荐理由：LangChain Labs 聚焦智能体持续学习这一核心痛点，做 AI 代理开发的团队值得关注——它可能解决长期任务中代理性能衰减的问题，建议跟进合作动态。

推荐理由：Trajectory 解决了 AI 产品部署后无法从用户反馈中持续学习的痛点，做 AI 产品落地的团队可以直接关注这个平台，看看如何利用用户纠错来提升模型能力。

推荐理由：做长期交互 AI 应用的开发者终于有了一个原生支持记忆和持续学习的开源智能体，LangChain 创始人亲自推荐，值得一试。