MedCL-Bench：基准测试生物医学持续学习中的稳定性 - 效率权衡与扩展性

医学语言模型需随证据和术语演进更新，但顺序更新易引发灾难性遗忘。针对现有基准缺乏统一评估协议的问题，本文提出 MedCL-Bench，涵盖十个生物医学数据集及五种任务类型，评估十一种持续学习策略在不同任务顺序下的保留率、迁移能力及计算成本。研究发现直接微调导致严重遗忘，而参数隔离法在单位算力下保留效果最佳，重放法成本高但保护性强。该基准为模型部署前的更新审计提供了可复现框架。