RECALL：通过层次化模型合并实现表征对齐的灾难性遗忘缓解

基于摘要分析。本文研究大语言模型（LLMs）持续学习中的灾难性遗忘，提出表征感知模型合并框架 RECALL，在不访问历史数据的条件下，利用模型内部表征指导知识对齐与参数融合。主要研究对象是 NLP 持续学习，而非 EEG 或 BCI。 机制上，RECALL 在聚类得到的典型样本上提取逐层隐藏表征，计算模型间相似度，再进行自适应、层次化参数融合。作者将内部表征视为已学知识的可靠代理，并认为这一设计能够保留浅层的领域通用特征，同时允许深层适应具体任务。摘要未给出典型样本的来源、聚类方法、相似度定义、融合规则及模型结构兼容条件，这些实现细节尚未验证。“不访问历史数据”不应扩展理解为完全不需要样本，因为其相似度计算仍使用典型样本。 作者报告，在五项 NLP 任务及多种持续学习场景中，RECALL 的知识保留与泛化表现优于基线，并称其不需要任务标签。摘要未提供任务名称、数据划分、具体基线、指标数值或计算开销，因而尚不能量化收益或判断适用边界；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若兼容的 EEG 模型在不同会话间存在可对齐的层级表征，可假设用表征相似度指导模型合并，缓解适应新会话时对旧会话的遗忘。可复用的是相似度驱动的融合思路，需改造的是 EEG 典型片段选择及通道、时间维度的表征对齐；低信噪比、小样本与通道变化可能使相似度失真，浅层通用、深层任务特异的假设也未必成立。可在同一被试的跨会话数据上，以结构兼容模型比较 RECALL 式融合与固定权重融合，同时评估新旧会话表现，旧会话数据仅用于评估。相关 EEG 工作尚未检索确认。