连续微调 100 任务后旧知识仅剩 1.2%，研究组合多种防遗忘机制
burkov · x · 2026-09-10
Andrej Burkov（burkov）介绍一项针对长周期记忆问题的研究：模型需要通过参数更新持续吸收新事实并保留旧知识，但顺序有监督微调会覆盖早期关联，产生灾难性遗忘——经过 100 次更新后，朴素模型在所有先前任务上的平均准确率仅剩 1.2%。
研究设计：
- 构建了 3 个 100 任务数据集来隔离问题场景：任意符号关联、LLM 生成的虚构事实、过滤后的真实世界问题
- 对 90 种候选机制组合进行搜索（使用 successive halving），验证「组合保护不同侧面的旧知识的机制」是否优于任何单一机制
该问题对任何期望模型充当持久内部记忆（而非反复依赖外部检索）的部署场景都至关重要。
所属事件:JHU 研究：组合持续学习机制可大幅缓解灾难性遗忘(5 条相关)→
「研究」频道最新
- EMNLP 2026 两篇论文：小模型实体追踪超人类、类人短暂记忆研究 — GretaTuckute · 2026-10-27
- 历时十年研究：秘鲁 Tarma 克丘亚语的「反自然」音系限制首获实证 — begusgasper · 2026-10-27
- Clinical System One v0.2:更难测试下顶级医疗 AI 准确率跌至 65% — MaziyarPanahi · 2026-10-27
- IdeaAnchor:用 1.4 万篇论文的灵感溯源教 LLM 基于文献提想法 — armancohan · 2026-10-26
- MIT Ziming Liu 批评 AutoResearch：不懂原理的训练技巧会引发 forking 过拟合灾难 — ZimingLiu11 · 2026-10-26
- 斯坦福数据中心化 AI 研讨会开放报名，海报截止延期 — jure · 2026-10-26