伯克利神作背刺OpenAI：持續學習才是真神
發布FST框架解決大模型持續學習死局
加州大學伯克利分校與研究團隊發布FST框架，透過「快慢分層」機制，解決大模型在持續學習過程中的性能退化問題。該框架模擬真實世界中任務不斷變化的學習場景，讓模型能在新任務中持續學習而不會遺忘舊知識。
實驗驗證與任務切換機制
在實驗中，模型每訓練200步便切換任務，模擬真實環境中任務不斷變動的場景。在第一關HoVer上，模型成功學習任務；進入第二關CodeIO時，模型仍能保持原有知識並適應新任務，顯示其持續學習能力。
專家預測持續學習將在2026年爆發
AI工程師Dan McAteer預言，2026年將是持續學習（continual learning）技術的關鍵轉折點，認為這項技術將徹底改變AI模型的學習方式，使其不再僅能「會做題」，而是真正「學會新東西」。