清华团队用「任务关系」破解AI学完就忘的难题，提出的H-embedding guided hypernet先算新旧任务的亲疏关系，再让超网络按关系生成专属 模型参数，低维小向量即插即用，在ImageNet-R等测试把遗忘率再降一成。 持续学习（Continual Learning，CL）是人工智能系统迈向长期智能的重要能力。其核心目标是让模型在任务序列中不断吸收新知识，同时维持甚至提升 旧任务的表现。 然而，在主流深度学习框架下，模型在学习新任务时往往会显著遗忘旧知识，即「灾难性遗忘」（Catastrophic Forgetting），这是限制持续学习走向大规 模实用的关键瓶颈。 现有CL方法大致可分为三类：基于数据回放的重放方法、基于参数约束的正则化方法，以及基于模型结构的动态扩展方法。尽管它们都在不同程度上缓 解了遗忘，但一个根本问题始终被忽视： 大多数CL方法仍从「模型中心」视角出发，而缺乏对任务之间内在关系的建模和利用。 然而，任务关系直接决定了知识迁移的方向与效率：哪些任务之间协同度高，哪些任务之间冲突大，哪些旧任务对新任务有帮助，哪些新任务可能破坏已 有能力——这些信息对于稳健的持续学习至关重要。 ...