人类可以在一生中一连学习新知识 ，，，，，而不会容易遗忘已有手艺 。。。。。然而对 AI 模子而言 ，，，，，这恰恰是一道极具挑战性的难题：每当模子学习新使命时 ，，，，，参数更新往往会笼罩历史知识 ，，，，，爆发经典的 “灾难性遗忘” 难题 。。。。。一连学习（Continual Learning）正是为突破这一瓶颈而生的研究偏向 。。。。。
其中 ，，，，，类增量学习（Class-Incremental Learning, CIL）是一项极具挑战性的一连学习问题：模子需要一连学习新种别 ，，，，，同时坚持对历史类别的准确识别能力 。。。。。近年来 ，，，，，借助大规模预训练模子（Pre-trained Model, PTM）的富厚先验知识 ，，，，，CIL 取得了长足前进 。。。。。然而 ，，，，，现有要领大多只在极短的使命序列上举行验证 ，，，，，例如5-20个使命 。。。。。一旦使命数目扩展至上百个 ，，，，，性能就会显著下滑甚至瓦解 。。。。。真实天下中 ，，，，，一个恒久运行的系统往往需要一直地学习新知识新看法 ，，，，，这一鸿沟亟待填补 。。。。。
克日 ，，，，，来自香港大学的研究团队提出了一种全新的一连学习范式CaRE(ScalableContinual Learner with efficient Bi-LevelRouting Mixture-of-Experts) ，，，，，首次将一连学习乐成扩展到包括300 个以上非重叠使命的超长序列 ，，，，，并在性能上大幅逾越了现有的基线算法 。。。。。别的 ，，，，，团队还全心构建了一个极具挑战性的超长序列评测数据集OmniBenchmark-1K 。。。。。代码和数据已经所有开源！
缺乏多使命知识互补： 随着使命序列的增添 ，，，，，新使命很有可能包括与历史使命语义相关的种别（例如差别种类的动物） 。。。。。因此 ，，，，，模子需要具备一种能力：在区分猫和狗时 ，，，，，自动从历史的 “动物相关” 使命中提取特征 ，，，，，而不是从绝不相关的 “修建物” 使命中提取 。。。。。
缺乏逐层动态决议能力：深度模子在差别深度的网络层中具有差别粒度的语义信息 。。。。。因此 ，，，，，每一其中心层都需要动态地检索和注入对自己定制化的知识 ，，，，，来输出适配目今层信息的表征 。。。。。
评测数据集 “不敷长”：现有的常用一连学习数据集（如 ImageNet-R）种别有限 ，，，，，通常只能支持短序列使命的评测 ，，，，，这使得现有要领在真实天下中的长程体现成谜 。。。。。
关于恣意输入 ，，，，，BR-MoE 将其 [CLS] Token 送入所有历史使命的类感知器 ，，，，，逐网络层盘算每个使命对应的展望熵值 。。。。。熵越低 ，，，，，说明该使命与目今输入的语义漫衍越靠近、越可能是准确的源使命 。。。。。据此 ，，，，，BR-MoE 动态选取熵值最小的 Top-M 个路由网络 ，，，，，整个历程无需显式使命标签 ，，，，，且每一层都自力执行这套选择逻辑 ，，，，，实现了逐层自顺应的动态路由 。。。。。
激活的路由网络为其名下的专家适配器天生动态的权重分数 ，，，，，选出Top-K 个最相关的专家举行加权融合 ，，，，，提取具有判别性和互补性的知识 。。。。。与此同时 ，，，，，一个通过 EMA 机制一连更新的共享专家始终加入盘算 ，，，，，确保全局跨使命通用知识的一连积累与注入 。。。。。
两阶段设计的直觉在于：第一阶段找到 “最相关使命群” ，，，，，第二阶段在相关使命群内精选互补专家举行融合 。。。。。这种多个路由网络和专家的协同激活与盘算 ，，，，，让模子不但能够动态的输出最适配目今输入的 “判别性特征” ，，，，，还能进一步检索相关的 “互补性特征” ，，，，，从而形成强盛的 “周全性特征” 。。。。。别的 ，，，，，由于每一层都自力执行这套机制 ，，，，，模子从浅层模式到深层语义均具备自顺应知识检索能力 。。。。。更多手艺细节请参考原文 。。。。。
该数据集从 OmniBenchmark-V2 精选1000 个种别 ，，，，，包括约190,000 张图像 ，，，，，横跨鸟类、食物、植物、行动等 21 个差别视觉领域 ，，，，，且已经扫除与 ImageNet 的重叠数据 ，，，，，确保无缝使用 ImageNet 预训练模子 ，，，，，为数百使命规模的一连学习评测提供了坚实的测试平台 。。。。。相比之下 ，，，，，常用基准数据集例如 ImageNet-R 只有 200 个种别 ，，，，，无法支持超长序列的场景；；；；；而 OmniBenchmark-1K 含有 1000 个种别 ，，，，，允许将使命数目上升至 100、200 以致 300 以上 ，，，，，真正有用地测评模子应对极长使命序列的一连学习能力 。。。。。
研究团队将 CaRE 与多个强盛的一连学习要领举行了周全临比 ，，，，，在 OmniBenchmark-1K 上 ，，，，，团队设置了100 使命、151 使命、200 使命 ，，，，，甚至拓展到了 301 使命的超长序列 。。。。。值得关注的是 ，，，，，一些在短序列中体现精彩的要领在长序列中性能急剧瓦解 ，，，，，充分袒露了现有要领在可扩展性方面的固有瓶颈 ，，，，，而 CaRE 始终坚持稳健的学习轨迹 。。。。。
浅层网络 “通用” ，，，，，深层网络 “专一”：在网络的浅层（如 Layer#3/6） ，，，，，少数专家会被高频挪用 ，，，，，由于它们提取的是通用的底层视觉特征（如边沿、纹理） ；；；；；而在网络的深层（如 Layer 12） ，，，，，激活模式变得很是希罕且具有高度的 “使命特异性” ，，，，，这与网络深层需要提取高层笼统语义举行准确分类的使命完善契合 。。。。。
测试时的知识穿越：在推理阶段 ，，，，，纵然处理早期的使命 ，，，，，模子也会动态挪用从后续使命学到的互补专家知识 。。。。。这证实晰 BR-MoE 赋予了模子在测试阶段无邪整合全局知识的能力 。。。。。
CaRE 是现在首个被系统验证能在 300 + 无重叠使命上稳健运行的一连学习要领 ，，，，，同时在经典短序列设置中坚持周全领先 。。。。。提出的 BR-MoE 机制统一了判别性与周全性两大表征目的 ，，，，，并将动态知识检索能力注入每一个网络层 ，，，，，构建了一个强盛且可扩展一连学习系统 。。。。。别的 ，，，，，CaRE 的双层路由思绪理论上可以应用于跨模态一连学习 ，，，，，如图像、语言和音频的联合序列学习 ，，，，，有望成为下一个 “风口” 。。。。。
在 AI 模子向恒久安排迈进确当下 ，，，，，我们希望 CaRE 及配套的 OmniBenchmark-1K 基准能够为探索一连学习提供有价值的参考 。。。。。同时 ，，，，，我们也期待这项事情能够激励更多研究者投身于构建真正能 “越学越强” 的一连学习系统 。。。。。
这套智驾方案覆盖比亚迪全系多款车型，轿车、SUV、硬派越野都有配套版本，不同价位的车型都能搭载，也是它能快速铺开保有量的关键。作为华为乾崑生态战略合作伙伴，奕境汽车携品牌首款家庭旗舰大六座SUV奕境X9重磅亮相媒体日，与问界M9、智界V9、启境GT7等车型同台展出。两境两界首次同台，直观印证华为“境界” 双线并行的顶层发展思路，两大全栈赋能体系同步深耕、双向赋能，助力合作伙伴打造差异化智能汽车矩阵，赋能车企造好车、卖好车。麻花天美星空MV免费寓目完整版虽然本案的涉事对象为流浪猫，无明确所有权人，但三名男孩的虐猫行为仍可能涉及民事责任的承担。根据民法典第一千一百八十八条规定，无民事行为能力人、限制民事行为能力人造成他人损害的，由监护人承担侵权责任。监护人尽到监护职责的，可以减轻其侵权责任。若该流浪猫为小区业主临时喂养，具有事实上的管护关系，或者有动物救助组织对其进行过救助管护，相关主体仍可依法向涉事男孩的监护人主张民事赔偿。即便无明确的权利主张主体，涉事男孩的监护人也应当承担起相应的社会责任，弥补其孩子行为造成的不良社会影响，这也是监护人履行监护职责，承担社会责任的体现。美国公众的恐惧也有现实的根基，而不只是被企业叙事吓到了。AI 收益和成本的分配并不对称：利润集中在少数公司手里，失业风险、社区负担和隐私侵蚀则散布在所有人身上。
20260717 ? 车企账上的折旧和摊销，本质上是对未来的一个预判：今天投下去的钱，可以靠之后多少年、多少辆车收回来。只要车型的生命周期、销量和原先估计接近，这些成本就会比较均匀地进入每年利润表。年下小狼狗(年下)并非只有拥有阿福、阿宝这“AI双翼”的蚂蚁集团，在搭建AI新经济基础设施的这条路上展开探索。同样原本就拥有庞大生态的一些老牌国民应用，也在展开类似探索，最典型的是微信。
20260717 ? 1、上述研究成果由克而瑞长春分析师王宝鹏，通过人机协作综合使用克而瑞·决策专家的AI问数、AI问知、AI文章和数据分析功能撰写完成。内容仅供参考，不构成投资建议；《师生恋:禁忌之恋》男主是谁Dheeraj Ahuja在过去七年多里一直负责高通的自动驾驶项目。2021年11月，高通宣布与宝马集团达成合作，将Snapdragon Ride平台引入宝马下一代ADAS和自动驾驶系统。2022年3月，高通、宝马和Arriver软件公司签署长期战略合作协议，共同开发自动驾驶软件解决方案。在这一轮竞标中，高通成功击退英伟达和Mobileye，拿下了宝马下一代ADAS和自动驾驶平台订单，Dheeraj Ahuja正是该项目的直接工程负责人。（36氪、快科技）
京公网安备11010202000001号
