人类可以在一生中一连学习新知识，，，，而不会容易遗忘已有手艺。。然而对 AI 模子而言，，，，这恰恰是一道极具挑战性的难题：每当模子学习新使命时，，，，参数更新往往会笼罩历史知识，，，，爆发经典的 “灾难性遗忘” 难题。。一连学习（Continual Learning）正是为突破这一瓶颈而生的研究偏向。。 其中，，，，类增量学习（Class-Incremental Learning, CIL）是一项极具挑战性的一连学习问题：模子需要一连学习新种别，，，，同时坚持对历史类别的准确识别能力。。近年来，，，，借助大规模预训练模子（Pre-trained Model, PTM）的富厚先验知识，，，，CIL 取得了长足前进。。然而，，，，现有要领大多只在极短的使命序列上举行验证，，，，例如5-20个使命。。一旦使命数目扩展至上百个，，，，性能就会显著下滑甚至瓦解。。真实天下中，，，，一个恒久运行的系统往往需要一直地学习新知识新看法，，，，这一鸿沟亟待填补。。 克日，，，，来自香港大学的研究团队提出了一种全新的一连学习范式CaRE(ScalableContinual Learner with efficient Bi-LevelRouting Mixture-of-Experts)，，，，首次将一连学习乐成扩展到包括300 个以上非重叠使命的超长序列，，，，并在性能上大幅逾越了现有的基线算法。。别的，，，，团队还全心构建了一个极具挑战性的超长序列评测数据集OmniBenchmark-1K。。代码和数据已经所有开源！ 缺乏多使命知识互补： 随着使命序列的增添，，，，新使命很有可能包括与历史使命语义相关的种别（例如差别种类的动物）。。因此，，，，模子需要具备一种能力：在区分猫和狗时，，，，自动从历史的 “动物相关” 使命中提取特征，，，，而不是从绝不相关的 “修建物” 使命中提取 。。 缺乏逐层动态决议能力：深度模子在差别深度的网络层中具有差别粒度的语义信息。。因此，，，，每一其中心层都需要动态地检索和注入对自己定制化的知识，，，，来输出适配目今层信息的表征。。 评测数据集 “不敷长”：现有的常用一连学习数据集（如 ImageNet-R）种别有限，，，，通常只能支持短序列使命的评测，，，，这使得现有要领在真实天下中的长程体现成谜 。。 关于恣意输入，，，，BR-MoE 将其 [CLS] Token 送入所有历史使命的类感知器，，，，逐网络层盘算每个使命对应的展望熵值。。熵越低，，，，说明该使命与目今输入的语义漫衍越靠近、越可能是准确的源使命。。据此，，，，BR-MoE 动态选取熵值最小的 Top-M 个路由网络，，，，整个历程无需显式使命标签，，，，且每一层都自力执行这套选择逻辑，，，，实现了逐层自顺应的动态路由。。 激活的路由网络为其名下的专家适配器天生动态的权重分数，，，，选出Top-K 个最相关的专家举行加权融合，，，，提取具有判别性和互补性的知识。。与此同时，，，，一个通过 EMA 机制一连更新的共享专家始终加入盘算，，，，确保全局跨使命通用知识的一连积累与注入。。 两阶段设计的直觉在于：第一阶段找到 “最相关使命群”，，，，第二阶段在相关使命群内精选互补专家举行融合。。这种多个路由网络和专家的协同激活与盘算，，，，让模子不但能够动态的输出最适配目今输入的 “判别性特征”，，，，还能进一步检索相关的 “互补性特征”，，，，从而形成强盛的 “周全性特征”。。别的，，，，由于每一层都自力执行这套机制，，，，模子从浅层模式到深层语义均具备自顺应知识检索能力。。更多手艺细节请参考原文。。 该数据集从 OmniBenchmark-V2 精选1000 个种别，，，，包括约190,000 张图像，，，，横跨鸟类、食物、植物、行动等 21 个差别视觉领域，，，，且已经扫除与 ImageNet 的重叠数据，，，，确保无缝使用 ImageNet 预训练模子，，，，为数百使命规模的一连学习评测提供了坚实的测试平台。。相比之下，，，，常用基准数据集例如 ImageNet-R 只有 200 个种别，，，，无法支持超长序列的场景
；；；；而 OmniBenchmark-1K 含有 1000 个种别，，，，允许将使命数目上升至 100、200 以致 300 以上，，，，真正有用地测评模子应对极长使命序列的一连学习能力。。 研究团队将 CaRE 与多个强盛的一连学习要领举行了周全临比，，，，在 OmniBenchmark-1K 上，，，，团队设置了100 使命、151 使命、200 使命，，，，甚至拓展到了 301 使命的超长序列。。值得关注的是，，，，一些在短序列中体现精彩的要领在长序列中性能急剧瓦解，，，，充分袒露了现有要领在可扩展性方面的固有瓶颈，，，，而 CaRE 始终坚持稳健的学习轨迹。。 浅层网络 “通用”，，，，深层网络 “专一”：在网络的浅层（如 Layer#3/6），，，，少数专家会被高频挪用，，，，由于它们提取的是通用的底层视觉特征（如边沿、纹理）
；；；；而在网络的深层（如 Layer 12），，，，激活模式变得很是希罕且具有高度的 “使命特异性”，，，，这与网络深层需要提取高层笼统语义举行准确分类的使命完善契合 。。 测试时的知识穿越：在推理阶段，，，，纵然处理早期的使命，，，，模子也会动态挪用从后续使命学到的互补专家知识。。这证实晰 BR-MoE 赋予了模子在测试阶段无邪整合全局知识的能力 。。 CaRE 是现在首个被系统验证能在 300 + 无重叠使命上稳健运行的一连学习要领，，，，同时在经典短序列设置中坚持周全领先。。提出的 BR-MoE 机制统一了判别性与周全性两大表征目的，，，，并将动态知识检索能力注入每一个网络层，，，，构建了一个强盛且可扩展一连学习系统。。别的，，，，CaRE 的双层路由思绪理论上可以应用于跨模态一连学习，，，，如图像、语言和音频的联合序列学习，，，，有望成为下一个 “风口”。。 在 AI 模子向恒久安排迈进确当下，，，，我们希望 CaRE 及配套的 OmniBenchmark-1K 基准能够为探索一连学习提供有价值的参考。。同时，，，，我们也期待这项事情能够激励更多研究者投身于构建真正能 “越学越强” 的一连学习系统。。