Tunable MAGMAX：面向持续学习的偏好感知模型融合

持续学习旨在按序训练多任务模型并缓解灾难性遗忘。现有模型融合方法虽有效，但多关注平均性能，忽视部署环境差异与用户偏好。本文提出 Tunable MAGMAX 框架，引入偏好向量控制各任务参数选取比例，实现任务性能的偏好感知调控。该方法能利用少量目标数据自动构建偏好向量，无需人工指定。实验表明，该框架能有效调整模型以适应不同环境，在持续学习基准上表现优异，为差异化需求下的模型部署提供了实用方案。