arXiv · cs.AI· Maoqi Liu, Quan Fang, Yufei He·· 3 天前
CoDe-LoRA通过知识巩固与解耦缓解大语言模型持续学习中的正交性困境
CoDe-LoRA: Mitigating the Orthogonality Dilemma in Continual Learning of LLMs via Knowledge Consolidation and Decoupling
arXiv:2610.08312v1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：Maoqi Liu, Quan Fang, Yufei He
研究任务与主要进展
Maoqi Liu、Quan Fang和Yufei He提出无回放的CoDe-LoRA，用于缓解大语言模型持续学习中正交参数隔离阻碍共享知识迁移与积累的问题。该方法将学习过程分为通用知识巩固和任务特定知识解耦，并结合自适应零空间投影与语义路由；基于论文摘要，作者在四个骨干模型和三个持续学习基准上报告了最佳平均准确率，代码已提供于GitHub。
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