学习锚定提示空间以实现大语言模型的持续适应

基于摘要分析。本文研究大语言模型持续适应中如何获取新知识并保留已有能力，提出 Learning an Anchored Prompt Space（LAPS），针对模型更新后历史 soft prompts 效力下降、任务间提示关系未被显式学习这两个问题，结合历史提示对齐与可学习提示空间促进知识迁移。 核心机制分为两个环节：首先通过自蒸馏使历史 prompts 与更新后的模型对齐；随后构建锚定提示空间，以已学习的任务特定 soft prompts 为顶点，通过可学习的 Bézier control prompts 塑造中间空间的几何结构。完成空间学习后，LAPS 在每个任务的验证集上选择表现最佳的 prompt，使所选提示能够利用已观察任务的知识。摘要未提供自蒸馏目标、控制 prompts 的参数化方式、空间搜索方法及模型参数与提示的具体更新流程。 作者报告，在 TRACE benchmark 和三个 Qwen3 模型规模上，LAPS 持续优于基于蒸馏、基于提示以及联合提示与参数适应的基线，提高平均表现并减少遗忘。摘要没有给出具体模型规模、指标定义、数值、任务顺序或数据划分，因此尚不能量化收益或比较不同设置。实验协议、消融及统计信息尚未验证；复现时需核对历史任务验证集的可用条件、提示搜索预算及各基线的资源配置。摘要提供了实现地址，但代码内容与运行条件尚未核验。 平台推测（待验证）：其“对齐历史提示—学习任务间提示空间”的机制可作为 EEG 持续学习的候选思路，假设前提是 EEG 模型支持 soft prompts，并能获得可用于提示选择的任务验证数据。可复用提示对齐与空间构造思想，但需改造信号编码、提示注入位置和任务定义；低信噪比、跨被试或通道差异可能使提示间插值失效，小数据也可能导致验证集选择不稳定。可在固定通道配置的跨会话任务序列中，以相同数据划分和搜索预算对比独立 prompts、仅自蒸馏对齐及完整提示空间，检验新任务表现与历史任务遗忘。该假设不代表已证实的 BCI 效果，已有 EEG 相关工作尚未检索确认。