新研究将LLM中的灾难性遗忘定位到输出嵌入

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-08 04:00

研究人员发现，大型语言模型中的灾难性遗忘（模型在持续训练中会丢失先前学到的信息）存在于新训练数据中未出现的token的输出嵌入中。这种遗忘是由Adam的二阶矩归一化所放大的持续的、单向的softmax梯度驱动的。为解决此问题，提出的解决方案包括在训练期间增加Adam的epsilon值，特别是针对输出投影层。这一调整在不影响新学习或需要模型特定调优的情况下，显著减少了各种模型大小和系列的遗忘，并补充了现有的基于重放的方法。 AI

影响这项研究为显著减少LLM中的灾难性遗忘提供了一种潜在的方法，提高了它们在不丢失先验知识的情况下持续学习的能力。

排序理由该集群包含一篇研究论文，详细介绍了LLM特定问题的创新发现和拟议解决方案。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CL 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 7 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇研究论文，详细介绍了LLM特定问题的创新发现和拟议解决方案。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, model release; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Same-day; Cluster formed today. Ranking reflects the current source set at time of score.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.CL TIER_1 English(EN) · Jonghyun Han, Younghoon Song, Jongyoul Park · 2026-10-08 04:00

震耳欲聋的沉默：灾难性遗忘存在于数据从未提及的Token的输出嵌入中

arXiv:2610.09835v1 Announce Type: new Abstract: Continual pre-training and fine-tuning in Large Language Models (LLMs) inevitably induce catastrophic forgetting, typically mitigated by replay using often-inaccessible original data. In this data-free regime, we analyze where forge…

本文如何被排名

报道来源 [1]

震耳欲聋的沉默：灾难性遗忘存在于数据从未提及的Token的输出嵌入中

相关实体

相关话题