arXiv · cs.AI· Anat Kleiman, Gintare Karolina Dziugaite, Jonathan Frankle, Sham Kakade, Mansheej Paul·· 6 小时前
SFA与无回放Lookahead缓解大语言模型灾难性遗忘
Forget About It: Mitigating Forgetting Without Replay or Auxiliary Objectives
arXiv:2501.05559v2阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Anat Kleiman, Gintare Karolina Dziugaite, Jonathan Frankle, Sham Kakade, Mansheej Paul
研究任务与主要进展
论文提出Sequential Fine-tuning with Averaging（SFA），通过微调中的周期性参数插值缓解持续学习中的灾难性遗忘。基于论文摘要，在Qwen3-14B适配器持续学习中，SFA与无回放Lookahead的固定配置在测试设置下以最高减少36.3%任务训练时间的方式取得更高平均最终准确率；在语言和视觉任务上的结果与更复杂的持续学习方法竞争。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org