Claude Qin
407 posts
Claude Qin
@baboonAI4S
对AI 神经网络 算法底层 rsi的 还有其他神经生物 智能与意识 思考与记忆的原理思考 感兴趣 大家一起来聊聊
Katılım Ocak 2026
1K Takip Edilen714 Takipçiler
持续学习 continual learning是AI模型下一个阶段要迈过的门槛，预计很贵，所以业内现的做法本质上还是在现有的架构和训练范式上打补丁：
换提示词（GEPA / ACE）
微调权重（SFT / SDFT）
用 RL 做在线更新（GRPO / SDPO）
或者压缩成 KV-cache
它们并没有从根本上改变「模型如何持续获得新能力」这件事，更多是在有限算力和有限参数更新预算的约束下，寻找相对不那么糟糕的折中方案。论文自己其实也承认了这一点：不同漂移需要完全不同的更新行为，没有一个「本质」的统一机制。
真正意义上的「本质持续学习」，至少应该满足几条更硬的标准：
1. 可塑性与稳定性的内在统一，what is “self”and where is？
2. 不依赖人类预先设计好的更新算子（模型自己学会「什么时候该改什么、改多少」）
3. 知识以可组合、可遗忘、可重组的方式存在，数学底座缺失。
4. 随着时间推移，模型的能力边界在真正扩展，而不是在固定任务上反复「适应-遗忘-再适应」
目前几乎所有 LLM 的持续学习工作（包括这篇论文评估的方法）都还停留在第 0 层到第 1 层：在固定架构上做工程适配。离「本质」还差得很远。
这也是为什么很多人会觉得「现在的持续学习」更像是 continual adaptation 或 continual fine-tuning，而不是真正的 continual learning。
GIF
中文
kimi K3的完整报告，值得好好看看，毕竟K3对于国内的LLM来说是一个里程碑。
Kimi.ai@Kimi_Moonshot
Releasing the model weights and technical report of Kimi K3. Kimi K3 is our most capable model: a 2.8T MoE model with native visual understanding and a 1M-token context window. New model architecture: 2.5x the intelligence per unit of compute, not just more params. Alongside Kimi K3, we're opening up more of the stack behind it — high-performance attention kernels, MoE communication library, and infrastructure for running agent environments at scale. Model weights: huggingface.co/moonshotai/Kim… Tech report: github.com/MoonshotAI/Kim… Tech blog: kimi.com/blog/kimi-k3
中文
@baboonAI4S @GMNIAO 如果男人每月也来“大姨夫”，最搞笑的结果是：职场瞬间多出“男生理假”，大家轮流请假喊“今天姨夫来了别惹我”，生产力直接崩盘；超市卫生巾和巧克力被抢空，男人互相关心“舒服点没？”😂 进化真懂平衡！
中文
扛单和钻石手，其实是一对特别有意思的反义词。
我们一直说：
不要扛单。
因为交易里面最危险的事情，就是你曾经靠扛单赚过钱。
你第一次扛单成功：
“看吧，我就知道会涨回来。”
第二次扛单成功：
“果然，时间会证明我是对的。”
第三次……
你就会形成一种错觉：
只要我不卖，我就不会输。
然后市场总会有一天给你上一课。
但是另一边，又有一种说法：
做投资要有钻石手。
买入优质资产，然后一直拿着，不被短期波动影响，最后赚大钱。
那问题来了：
到底什么是扛单？
什么是钻石手？
说实话，我也分不清。
因为表面上看，它们做的事情一模一样：
都是亏了不卖。
区别只在于：
你拿着的到底是什么。
如果你买的是垃圾资产，然后靠幻想等待它回来，这叫扛单。
如果你买的是有价值的资产，经过分析确认逻辑没有改变，这叫长期持有。
同样是一双手。
有人拿的是方向盘，有人拿的是炸弹。
交易最难的地方，不是学会坚持。
而是知道什么时候该坚持，什么时候该认错。
中文
