持续学习

研究者提出MSCE框架，将智能体经验转化为可执行的技能库，通过证据校准的协同进化机制显著提升长程任务表现。

针对澳大利亚原住民语言数据稀缺问题，研究者提出两种混合持续学习方法，有效提升语言识别性能并缓解灾难性遗忘。

研究团队提出一种无需重放原始心电信号的持续学习方法，通过冻结预训练主干网络并构建专家库，在新增数据源时保持模型性能稳定。实验表明，该方法在多源心电数据集上取得良好效果，但自主推断数据来源仍是主要瓶颈。

英伟达开源机器人技能库，引入持续学习新范式，推动具身智能迈向技能时刻。

研究团队提出Janus插件控制器，可智能判断是否接受LLM记忆更新，避免新知识覆盖有用旧知识，在六个数据集上平均准确率提升2.7-4.6个百分点。

研究者提出AgentOdyssey评估框架，通过程序化生成包含丰富实体、世界动态和长程任务的开放式文本游戏，以全面检验智能体在测试阶段的持续学习能力。实验揭示了当前智能体在知识获取、记忆、探索等关键能力上的显著局限。

清华大学团队开源的空间智能模型入选ECCV 2026，该模型在动态环境理解任务中表现优异，展现出持续学习的世界交互能力。