InduceKV：通过诱导 KV 记忆实现多模态大语言模型的固定足迹持续适应

多模态大语言模型需适应不断变化的任务与领域，但在受限部署 footprint 下实现持续改进极具挑战。本文研究固定足迹持续适应问题，即在保持骨干模型不变且外部化任务特定更新的前提下，将部署状态控制在固定内存预算内。我们提出 InduceKV，一种基于检索的方法，将选定的训练前缀存储为注意力就绪的记忆条目，包含冻结的检索键和紧凑的分层键值（KV）负载，可直接追加至模型自注意力缓存中。在严格内存限制下，InduceKV 通过双层选择构建紧凑诱导集，平衡当前任务似然、锚点保留及检索空间覆盖率。实验表明，该方法在多种持续学习场景下均优于现有基线。