Механизмы continual learning комбинируются для долговременного запоминания
Johns Hopkins University
Работа формализует долгосрочное запоминание: модель осваивает 100 последовательных задач query-answer путём continual fine-tuning без хранения примеров. Ни один отдельный механизм continual learning не предотвращает катастрофическое забывание, но комбинация взаимодополняющих механизмов (data/function/weight anchors со слитыми LoRA) поднимает среднее удержание с 1,2% до 34,9% — примерно 28-кратный прирост.
Почему это важно
Топ-статья HuggingFace Daily Papers за 2026-09-16 с 287 апвоутами; систематический результат: путь к моделям, сохраняющим знания со временем, — композиция механизмов, а не какая-то одна техника.
Важность: 4/5
Заметная статья + 287 апвоутов на HF Daily Papers (+1 bump)