持续多模态学习中的隐性遗忘：当准确率幸存但 grounding 失败时

多模态大语言模型需持续适应新任务，但现有指标仅关注答案正确性，忽视了多模态依据的稳定性。本文揭示了“隐性证据使用遗忘”现象：模型在保持准确率的同时， silently 转向不同或更弱的证据通道。为此，提出无需重放的依赖约束持续学习框架 RCL。该方法冻结旧检查点作为行为参考，通过反事实通道干预评估师生证据依赖 profile，联合优化任务学习、预测保持与依赖保持。实验表明，RCL 显著降低模态依赖漂移和隐性遗忘率，提升了持续学习的鲁棒性。