评分 7.35 · 来源：36氪 · 发布于 2026-03-27
评分依据：解决 LLM 知识遗忘的核心痛点，参数效率极高（<1MB），且有实验数据支撑，兼具理论价值和工程可用性
要点
北航团队提出 CASE（Continual Adaptation with Sparse Editing）框架，旨在解决大语言模型在持续吸收新知识时面临的两个核心困境：参数更新冲突导致的知识遗忘，以及为避免遗忘而大量附加参数的计算开销。
CASE 的核心思路是采用稀疏编辑策略——仅对模型中与特定知识相关的极少量参数进行定向修改。实验显示，在千次知识编辑后模型仍能保持对先前知识的准确回忆，而额外增加的参数不到 1MB。
这一成果的意义在于：它为 LLM 从「一次性训练」走向「持续进化」提供了可行的技术路径。企业可以据此为自有模型持续注入领域知识，而无需承担灾难性遗忘的风险。
🤖 AI 点评
知识遗忘是 LLM 落地应用中常被低估的痛点——大多数企业还在纠结微调数据怎么配，但真正的挑战是模型上线后如何持续更新知识。CASE 框架「不到 1MB 额外参数」这个数字令人印象深刻，说明稀疏编辑这条路是走得通的。如果后续能开源代码和预训练权重，对 RAG 场景可能形成替代效应。