COMET：面向任务无关持续视觉—语言学习的解耦蒸馏、路由与容量控制

基于摘要分析。本文研究视觉—语言模型在任务依次到达、历史数据不可用、任务身份未知且主干无法重新训练时的持续学习问题，提出 COMET（Collaborative Mixture-of-Expert Transfer），通过分离特征参照、专家塑形、路由和容量控制，协调多模态表征保持与持续适应。 作者将困难归纳为模态一致性漂移、表征空间干扰和单任务容量不足，而不只归结为稳定性—可塑性权衡。冻结教师仅在共享图像—文本池上提供特征参照；Tri-Affinity Distillation 保持图像—图像、文本—文本和图像—文本的几何关系；Student-Aware Cross-Expert Distillation 将新专家与兼容的既有专家对齐，旨在减轻路由错误造成的性能退化。容量管理与推理解耦：上下文 bandit 根据训练后信号决定保留或合并完整的单任务专家，重建路由器则在测试时选择稀疏专家，不依赖教师语义。 作者报告，在 X-TAIL benchmark 上，各提议组件均改善持续学习表现。摘要未提供具体指标、数值、任务序列、基线或资源开销，实验协议、消融及统计信息尚未验证。复现时需核对共享图像—文本池的构成与访问条件、专家兼容性的判定方式、bandit 的反馈信号及合并规则，以及路由与容量增长的计算代价。 平台推测（待验证）：其机制可能对应 EEG 持续解码中专家累积与未知会话路由的问题，但原研究依赖视觉—语言表征及共享多模态数据池，不能直接推导 BCI 有效性。假设仅迁移专家对齐、重建路由和容量管理，仍需改造 EEG 编码器与重建目标；低信噪比、通道变化和小样本可能使重建误差无法可靠指示专家适用性。一个可证伪的小实验是在不回放历史数据、测试时不提供会话身份的 Cross-session EEG 序列中，比较固定专家库与加入路由及容量控制后的表现，同时记录遗忘和推理开销。已有相关 EEG 工作尚未检索确认。