重用对抗扰动进行持续学习：从防御到主动对齐

在动态环境中，大语言模型需不断适应新任务，但持续学习常面临遗忘、迁移受限及对抗脆弱性问题。本文提出 AdvCL，将对抗扰动重构为几何控制信号以实现稳定的持续适应。该方法包含三个插件模块：Intra-Smooth 利用微小扰动促进局部平滑；Proto-Clip 通过相似度裁剪防止过度对齐当前任务原型；Inter-Align 则向历史任务原型进行方向性对齐以缩小表征差距。实验表明，该方法在标准性能与鲁棒性上均有显著提升，有效降低遗忘并增强迁移能力。