深度分析
Trainee‑Bench：評估多模態大型語言模型在動態職場中的探索與持續學習能力
隨著多模態大型語言模型快速發展，研究多聚焦於靜態環境的效能上限，卻忽視真實職場的動態任務排程、主動探索與持續學習需求。作者提出 Trainee‑Bench，評測代理人在流式任務、資訊隱蔽與規則生成情境下的表現，實驗顯示現有 SOTA 代理人在探索與持續學習上仍有顯著缺口。
持續學習
深度分析
PURGE 利用梯度投影與多層抹除實現高效機器學習去除
隨著GDPR要求資料刪除，機器去學習成關鍵。研究提出Purge利用A‑GEM梯度投影，結合多層表示抹除與retain‑confusion目標，確保不提升保留損失。實驗在五個資料集上，保留精度維持96%以上，且會員推斷AUROC接近0.5，優於現有基線。
深度分析
SHARP 框架：層級記憶與加速回放在串流序列模型中的應用與成果
隨著串流資料即時處理，傳統RNN與Transformer受限於回傳時間與窗口長度。研究提出SHARP框架，透過睡眠階段的加速回放將記憶層級化，顯著提升長程依賴保持與預測表現。在text8與PG-19基準測試中，SHARP相較於傳統遞迴模型在前向與回溯BPC上均有明顯下降，證明其有效延伸有效上下文窗。
速報
深度神經網路塑性喪失與Hessian頻譜崩潰：持續學習新突破
本研究探討深度神經網路在持續學習情境下為何會失去塑性，導致無法在不重新初始化參數的情況下學習新任務。作者發現，新任務初始化時會出現Hessian頻譜崩潰，意味著有意義的曲率方向消失，梯度下降失效。
深度分析
SHIELD：結合超網路與區間算術的持續學習防禦架構
傳統深度模型在持續學習時常出現遺忘問題，同時對抗式擾動也能輕易改變預測，兩者缺一不可的防護需求長期未被同時解決。研究者提出 SHIELD，利用超網路產生任務專屬的權重向量，並將目標模型的輸入以區間形式傳遞，藉由區間立方體保證在指定範圍內的所有樣本皆得到相同預測，從而同時抑制遺忘與提升對抗魯棒性。
深度分析
EvoXXLTraffic：納入逐年感測器演化的超長時序交通資料集與評測框架
城市交通預測長期受限於固定感測網路。EvoXXLTraffic將XXLTraffic重組為逐年演化的感測器集合、年度流量矩陣與圖結構快照，並提出以年為單位的串流預測協議。基準測試發現多數現行頂尖模型在演化資料上表現退化，且冷啟動感測器成為主要瓶頸。
深度分析
CLANE：事件相機＋脈衝神經網路在 Intel Loihi 2 上實現端側持續學習的動作辨識
為即時 AR/VR 與機器人應用，系統需在裝置端邊學習新的人類動作且不遺忘既有類別。CLANE 在 Intel Loihi 2 上結合事件相機、脈衝卷積網路與擴展 CLP-SNN，並以時間聚合與定點正規化處理動作片段。整合式部署在晶片上完成推論與在線增量學習。於 THU E‑ACT‑50 評估顯示，在僅小幅準確度下降下，實現顯著能耗與延遲改善。
深度分析
架構驅動轉移（ADS）：以模型拓樸與少量校準預測 logit 變化趨勢
持續學習面臨模型在新任務後的logit變動與穩定性抉擇。本文提出架構驅動轉移(ADS)，將logit變動分解為架構依賴與資料依賴，利用層寬深度與少量校準樣本估算ADS並預測傾向。實驗顯示ADS與logit變動及校準誤差呈強相關，可作為輕量模型選擇代理。
深度分析
Trajectory：以開源模型與後訓練驅動的持續學習平台
一群來自DeepMind、Apple、OpenAI等研究者成立Trajectory，欲打造能從真實使用互動持續學習的平台。以開源模型為基礎、用產品交互資料定期後訓練，已在客服與程式碼工具展現成效，未來將改變企業部署與工程需求。創投投入與多位知名研究者參與提升關注度。
深度分析
CPNS 正則化：以因果 PNS 減少 CIL 特徵衝突的新方法
本研究針對類別增量學習的特徵擴張衝突問題，提出以必要性與充分性機率（CPNS）為基礎的正則化方法，透過雙域反事實生成器同時減少任務內與任務間的虛假相關，提升特徵的因果完整性與可分離性。實驗顯示在多項基線上加入CPNS後，準確率提升約2%至3%。
大型語言模型
Awesome-AI-Memory：LLM 長期記憶與外部記憶系統的開源聚合資源
Awesome-AI-Memory 是一個以 Apache‑2.0 授權釋出的開源資源庫，專門彙整與大型語言模型（LLM）記憶相關的最新研究、工具與實作案例。隨著 LLM 受限於上下文窗口長度，外部持久記憶成為突破短期記憶瓶頸的關鍵技術。
深度分析
NeuroAI 路線圖：連接體、神經形態硬體與事件驅動世界模型的三大關鍵
近年 AI 快速發展，但架構單一、與生物智能脫節，造成無法可靠操作實體世界、學習脆弱且耗能高等限制。基於 2025 年 NSF 召集的工作坊，研究提出五大神經科學原則：身體與控制器共設計、透過互動進行預測、多尺度記憶與神經調控、階層分布式架構、以及稀疏事件驅動計算。