JANUS 事后校正缓解稳定性-可塑性困境
原文标题：Past, Future, All at Once: Mitigating Stability-Plasticity Dilemma via Post-hoc JANUS Rectification
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
针对基础模型微调中的灾难性遗忘，论文提出纯事后、与微调方法无关的权重校正框架 JANUS，通过将参数更新投影到雅可比零空间实现参数空间正交，从而在一阶意义上保留历史性能。为克服雅可比近似的局部有效性，作者提出多步自适应校正机制动态验证信任域并调整步长，并配合幽灵投影、幽灵方向比较与序列级奇异值分解压缩提升时空效率。实验显示 JANUS 可无缝集成多种微调方法，在保持下游适配的同时恢复历史知识。
- 问题
- 基础模型微调导致灾难性遗忘，现有方法依赖过于严格的子空间正交条件。
- 方法
- 提出纯事后、与微调方法无关的 JANUS 框架，将参数更新投影到雅可比零空间实现参数空间正交，并用多步自适应校正与幽灵投影等提升效率。
- 结果
- 未给出量化结果。
- 影响
- 可无缝叠加到多种微调方法上，在不干扰下游适配的前提下恢复历史知识。
深读 · 结论先行AI 生成展开看要点与影响 ↓
JANUS 用雅可比零空间投影做事后权重校正，与微调方法无关，可恢复历史知识而不干扰下游适配。
- •定位为纯事后、与调优方法无关的框架，实现参数空间正交——论文称这是一阶保留历史性能的充要条件
- •把参数更新投影进雅可比零空间（JANUS），不介入原有微调流程
- •针对雅可比近似仅局部有效，提出多步自适应校正，用 JANUS 位移动态验证信任域并调步长
- •配套幽灵投影、幽灵方向比较与序列级 SVD 压缩，提升时空效率
- •实验称可无缝集成多种微调方法，缓解稳定性-可塑性困境
为什么重要：灾难性遗忘是基础模型持续微调的核心痛点；若事后校正真能与任意微调方法解耦，工程上比改训练流程更易落地。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。