AI如何避免“学新忘旧”？谷歌答案藏在睡眠里

　　10 月 30 日消息，谷歌研究团队于 10 月 27 日发布博文，介绍一项名为“睡眠框架”（Sleep Framework）的持续学习研究成果，试图解决大语言模型发布后知识固化、难以吸收新信息的难题。

　　该研究已于 10 月 27 日由 Google Research 公开，相关论文题为《Language Models Need Sleep: Learning to Self-Modify and Consolidate Memories》。

　　谷歌指出在通常情况下，当前主流大模型在完成预训练后便进入相对静态的部署状态，其知识存在“截止日期”；若依赖上下文学习，新信息又会随会话结束而丢失。若直接用新数据反复微调，则容易引发“灾难性遗忘”，而模型学会新知识后，原有能力显著下降。

　　谷歌介绍一项名为“睡眠框架”（Sleep Framework）的持续学习研究成果

　　谷歌的方案借鉴人类睡眠中的记忆巩固机制，将模型运行划分为“清醒阶段”和“睡眠阶段”。清醒时，模型接收并处理输入，将信息暂存于短期记忆；进入睡眠阶段后，模型暂停处理新输入，转而进行记忆整合与自我改进。

　　谷歌的方案借鉴人类睡眠中的记忆巩固机制

　　具体而言，“记忆巩固”环节通过参数扩展、混合专家记忆块和知识蒸馏，把脆弱的短期上下文信息写入长期参数，同时避免覆盖既有知识；“做梦”环节则让模型生成并筛选合成训练样本，借助强化学习反复练习，以提升推理与泛化能力。

　　“做梦”环节则让模型生成并筛选合成训练样本

　　实验显示，该框架在持续翻译、长上下文理解、事实知识吸收和数学推理等任务中优于多种基线方法：模型可处理最长约 1000 万 token 的上下文，并在未见语言的多阶段持续学习中保持接近零的性能下降；在 AIME 24/25 等数学基准上也取得更高准确率。