深度分析
MIITA 記憶驅動推論適應框架：讓小型語言模型在有限資源下持續學習不遺忘
小型語言模型（SLM）在資源受限環境中部署時，面臨持續學習（CL）的挑戰，因參數空間有限，直接更新容易導致災難性遺忘。現有針對大型語言模型（LLM）的記憶式方法依賴大量儲存與上下文推理能力，不適合 SLM。
持續學習
深度分析
利用 Gate‑Zero Growth 於 Transformer 實現零遺忘的增長與函數保留
隨著語言模型規模持續擴大，研究提出Gate‑ZeroGrowth以零門控方式在持續學習中保留函數。該方法透過零初始化門將新殘差塊加入模型，理論保證舊參數不變且新參數在成長點平坦。實驗顯示在300M→857MTransformer上幾乎零遺忘，優於未使用零門控的基線。
深度分析
深偽偵測新趨勢：BitMind Forensics 以開放激勵機制實現即時自適應
隨著深偽技術快速演進，偵測模型面臨性能衰退問題。研究提出BitMindForensics，利用開放式激勵機制讓生成者與偵測者同步競賽，持續刷新訓練資料。實驗顯示其在多項公開基準上達到0.9以上AUC，並在時間序列測試中隨快照更新提升偵測力，預示未來偵測服務將更依賴動態資料流與經濟驅動的自適應流程。
速報
突破性持續學習框架：預測式持續學習與轉移效率新概念
本研究重新檢視持續學習（Continual Learning, CL）的核心目標，指出過度追求知識保留可能阻礙在非靜態環境中的即時適應。
深度分析
PLATE：幾何感知的高效適配器實現無資料遺忘的持續學習
隨著大型預訓練模型在多任務環境下的應用日增，舊任務資料往往無法取得，導致持續學習面臨遺忘問題。研究提出 PLATE（Plasticity‑Tunable Efficient Adapters），利用模型權重的冗餘性，同時構建受保護的更新子空間與限制更新於冗餘神經元，僅訓練低秩適配器參數。
深度分析
RidgeFT：利用協方差校正與隨機特徵的持續 MGT 歸屬技術
隨著大型語言模型不斷推出，新型生成器的文字辨識成為挑戰。研究提出 RidgeFT，採用凍結編碼器、協方差校正與固定隨機特徵，僅以類別統計完成增量更新，免除舊資料重放。實驗在多主題、多模型設定下，全面提升 macro‑F1，兼顧舊類別保留與新類別適應。
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。
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。