DIMoE-Adapters：视觉 - 语言模型持续学习中的动态专家进化

持续学习使视觉 - 语言模型无需从头重训练即可积累知识并适应 evolving 任务。然而，在多领域任务增量学习中，巨大的领域偏移加剧了稳定性与可塑性的困境。现有方法多依赖固定架构和静态参数分配，限制了对新领域的适应并加重灾难性遗忘。为此，本文提出 DIMoE-Adapters，一种动态增量混合专家适配器框架，引入动态专家进化范式以平衡稳定性与可塑性。该范式通过自校准专家进化（SCEE）和原型引导专家选择（PGES）两个协作组件实现，显著提升了模型在各类设置下的性能。