动态可扩展合并模型

具身智能有力支撑

一种双骨干持续学习架构，以稳快双骨干与动态参数合并，在变化环境中同时保持模型的稳定与适应。

Ye, Fei · Ruilong, Yu · 刘启和 · Borş, Adrian G. · Sun, Jingling · Hu, Rongyao · 周世杰 · Zhiyuan, Ren · Kun, Zhang

Engineering Applications of Artificial Intelligence 2026

技术优势

老任务不遗忘

快骨干通过概率距离正则化约束优化，防止新任务学习破坏已有表征，保持旧任务性能。

新任务学得快

任务注意力自动分配快慢骨干参与度，新任务能够快速激活灵活表征，增量创建专家，避免大规模重训练。

参数不冗余

动态参数合并与剪枝机制挑选最关键专家参数，剔除冗余，控制模型复杂度，知识更高效迁移。

应用场景

• 机器人环境感知：机器人在动态环境中持续感知新物体，旧知识不遗忘，新知识快速适应。
• 无人机自主导航：无人机在不同天气和场景下导航，模型持续更新，参数规模可控。
• 机器人多任务学习：多任务流式学习中用相同骨干学习不同任务，无需为每任务单独部署模型。