谷歌研究在2025年NeurIPS大会上提出了“嵌套学习”概念，重新定义了AI学习，解决了灾难性遗忘问题。该方法模拟人脑记忆机制，将模型视为嵌套学习系统，使AI能够持续学习而不遗忘，可能是实现真正智能的关键，开启新的研究方向。

本文提出了一种结合离线强化学习与在线强化学习的方法WSRL（Warm-start RL），旨在解决微调过程中的灾难性遗忘问题。WSRL通过在在线微调初期收集少量数据，有效利用预训练知识，提升微调效率和性能，避免依赖大量离线数据。

本研究提出了一种联合闪回适应方法，以解决大语言模型在增量学习中的灾难性遗忘问题。通过引入旧任务提示，增强新任务的泛化能力，减少旧任务的遗忘。实验结果表明，该方法效果显著。

本研究提出了一种新的任务调制对比学习方法（TMCL），旨在解决机器学习中的灾难性遗忘问题。该方法通过自上而下的调制，即使在仅有1%标签的情况下，也能显著提升分类增量和迁移学习效果，表明其在稳定性与可塑性之间的平衡中至关重要。

本研究提出了一种新型终身学习范式LiBOG，旨在解决现有Meta黑箱优化方法在动态问题分布下无法持续学习的挑战。LiBOG通过不断学习新问题，提高黑箱优化器的生成能力，避免灾难性遗忘，确保在学习新任务时的灵活性。

本研究提出了一种新方法，增强强化学习代理在环境变化中的适应能力。通过优先级探索和采样策略，保护先前知识，显著降低灾难性遗忘，提高实际应用价值。

本研究提出了一种新框架，旨在解决长期持续学习中模型如何有效保持已学信息和减少灾难性遗忘的问题。通过任务核心记忆管理和长期记忆整合机制，实验结果表明该方法在知识保留能力上显著优于以往研究。

本研究提出了一种名为GradMix的新数据增强方法，旨在解决持续学习中保持旧知识与获取新知识的挑战。GradMix通过基于梯度的选择性混合样本，显著减少了分类增量学习中的灾难性遗忘，实验结果表明其在多种数据集上的准确性优于传统方法。

该研究提出了原型增强超网络(PAH)框架，以解决持续学习中的灾难性遗忘问题。实验结果显示，PAH在Split-CIFAR100和TinyImageNet上的准确率分别为74.5%和63.7%，且遗忘率显著低于传统方法。

本研究提出MEGa框架，旨在解决大型语言模型在顺序添加新记忆和整合新知识时的局限性。通过直接将事件记忆注入模型权重，并利用门控机制激活相关记忆，从而减轻灾难性遗忘，展示了与人脑记忆系统的相似性。

本研究提出了一种新的少样本类增量学习（FSCIL）方法，旨在解决深度学习在动态环境中的适应性不足和对大量训练数据的依赖。该方法通过为每个学习阶段开发独立模型，有效防止灾难性遗忘，并在CIFAR-100和mini-ImageNet数据集上取得了优异表现。

本研究提出了一种新型的类生物持续学习框架，旨在解决深度神经网络在连续任务训练中面临的灾难性遗忘问题，能够在新任务上保持高性能并保留已有知识。

该研究提出了一种新的持续全细调方案，解决大型语言模型的灾难性遗忘问题。通过自适应奇异值分解，动态识别低秩参数子空间，减少干扰，显著提升模型的准确性和语言能力保留。

本研究提出了一种新型模块化架构，结合优化的元学习策略，有效解决神经场持续学习中的灾难性遗忘和缓慢收敛问题。实验结果显示，该方法在图像、音频和视频重建任务中表现优异，尤其在城市规模的神经场渲染中适应迅速。

本研究提出LIFESTATE-BENCH基准，以评估大型语言模型在多轮交互中的角色行为和终身学习能力。结果表明，非参数方法优于参数方法，但模型仍面临灾难性遗忘问题，强调了终身学习的重要性。

本研究提出了一种新方法Diffusion-FSCIL，结合扩散模型与少量样本类增量学习，旨在解决数据稀缺和灾难性遗忘问题。该方法通过提取互补的扩散特征，在新类别适应和已有类别性能保持上优于现有方法。