用于无数据持续模型合并的零空间过滤：保持稳定性，促进可塑性

基于摘要分析。本文研究无数据持续模型合并（DFCMM）：在不访问任务数据的条件下，将独立微调的模型持续融合到同一骨干模型，兼顾旧任务的稳定性与新任务的可塑性。作者提出 NUFILT（NUll-space FILTering），以任务向量与表征子空间的近似对齐关系，为参数空间中的过滤和适配提供结构性依据。 核心机制是构造零空间投影器，过滤新任务向量中与既有知识重叠的分量，以降低对旧任务响应的干扰；同时引入轻量 LoRA 适配器，补充新任务特有的信号。适配器使用基于投影的代理损失训练，在保持与既有知识一致性的同时引入新方向。更新随后以逐层线性方式融合回骨干模型；作者称该过程不增加最终模型的参数量或推理成本，并给出近似子空间对齐的理论保证。投影器构造、子空间估计、损失公式及理论成立条件尚未验证。 作者报告，在视觉和 NLP 基准的持续模型合并评估中，NUFILT 相较 OPCM 与 WUDI-Merging 将平均 Accuracy 提高 4–7%，遗忘较少，并缩小与微调的差距、降低计算开销。摘要未明确该百分比是相对提升还是百分点变化，亦未提供具体数据集、任务顺序、划分、绝对分数及计算测量条件，因此不能据此作跨协议比较。实验协议、消融及统计信息尚未验证。摘要提供了代码地址，但实现与复现条件尚未核对。 平台推测（待验证）：若多个 EEG 解码模型由同一骨干分别微调，且合并阶段不能访问原始信号，该机制可能用于跨被试或跨会话模型的持续融合；这是假设，不是本文已证实的 BCI 结果。可复用部分是任务向量过滤与适配器融合，需验证 EEG 参数更新是否具有相应子空间结构。低信噪比、通道差异和小样本微调可能使任务向量不稳定，过滤也可能误删新任务所需方向。一个可证伪的小实验是固定通道与任务，让同一 EEG 骨干按被试独立微调，在不使用任务数据的合并阶段比较 NUFILT、直接合并及仅过滤版本，并在独立测试集上分别评估旧被试保持与新被试适应。已有 EEG 相关工作尚未检索确认。