该论文介绍了在线持续知识学习（OCKL）的新问题，并提出了一个新的基准和评估指标。通过实证评估发现，现有的持续学习方法对于应对OCKL的挑战不足。研究确定了影响知识获取和保留之间权衡的关键因素。

大规模视觉语言模型（VLMs）展示了强大的零样本泛化能力。研究者提出了选择性双教师知识迁移框架，解决了VLMs在下游任务中的遗忘和降低零样本分类能力的问题。实验证明该框架对于防止灾难性遗忘和零样本退化的最新持续学习方法是有利的。

大规模视觉语言模型（VLMs）展示了强大的零样本泛化能力。研究者提出了选择性双教师知识迁移框架，通过测量双教师VLMs的特征差异，缓解灾难性遗忘并保留零样本能力。实验证明该框架对于持续学习方法是有利的。

本文提出了一种高效的持续学习方法，使用EAR框架处理领域转移下的非平稳数据分布和新数据。该方法利用DNN特征编码器和浅层网络进行训练，使用ZS-NAS识别低参数神经适配器以适应分布之外的数据，并通过适配器和重构器处理领域增量和类增量的持续学习。实验证明该方法具有强大性能。

本论文介绍了在线持续知识学习（OCKL）的新问题，并提出了新的基准和评估指标。通过实证评估发现，现有的持续学习方法对OCKL的挑战不足。研究确定了影响知识获取和保留之间权衡的关键因素，推进了对在不断演化的环境中训练LLMs的理解。

本文研究了基于任务增量分类的持续学习方法，并通过三个基准测试和综合实验比较了11种持续学习方法和4种基线方法的强弱和影响。