English(EN) CART: Compatible Routing for Multimodal Continual Instruction Tuning

新的CART方法增强了多模态LLM的持续学习能力

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-16 04:00

研究人员推出了一种名为兼容路由（CART）的新方法，用于大型语言模型的多模态持续指令微调（MCIT）。现有方法通常侧重于在持续更新投影仪的同时防止语言模型遗忘，这会导致表示漂移和遗忘加剧。CART通过任务特定的专家和加权混合来协调投影仪和语言模型的适应性。该系统基于专家相关性和跨模块兼容性联合推断权重，促进同步适应。此外，CART还纳入了相关性引导的专家合并，以合并具有相似相关性特征的专家，从而控制模型增长并获得实验中的最先进性能。 AI

影响这项研究可能带来更强大、更具适应性的多模态人工智能系统，这些系统能够在不遗忘先前任务的情况下学习新任务。

排序理由该集群包含一篇详细介绍多模态持续指令微调新方法的 ist 研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 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: 14 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇详细介绍多模态持续指令微调新方法的 ist 研究论文。[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: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Ling-Xiang Zhang, Tao Hu, Da-Wei Zhou · 2026-10-16 04:00

CART：多模态持续指令微调的兼容路由

arXiv:2610.22137v1 Announce Type: new Abstract: Multimodal Large Language Models (MLLMs) achieve strong performance through instruction tuning, yet real-world applications often require them to continually acquire new capabilities from sequential tasks, i.e., Multimodal Continual…

本文如何被排名

报道来源 [1]

CART：多模态持续指令微调的兼容路由

相关实体

相关话题