MSSR：面向持续大语言模型微调的记忆感知自适应重放

随着大语言模型部署于动态环境，持续微调至关重要，但易引发灾难性遗忘。现有重放策略存在启发式局限或计算开销过大问题。受序列微调下记忆保持动态启发，本文提出记忆感知采样与调度重放（MSSR）框架。该方法估计样本级记忆强度，并以自适应间隔安排复习，旨在缓解遗忘同时保持快速适应。在三个基座模型和十一个连续任务上的实验表明，MSSR 显著优于现有最先进基线，尤其在推理密集和多选基准上表现突出。