大模型学新知识就忘旧知识，这个老大难问题有了新解法。一个名为CellularFlow的开源项目，提出把知识存储和序列推理彻底解耦，在持续学习场景下实现了83.9%的知识保留率。

这个数字意味着什么？传统微调方式下，模型学习新任务后，旧任务表现往往断崖式下跌，有时甚至跌到20%以下。CellularFlow的思路是：既然遗忘的根源在于参数共享，那干脆别让记忆和推理挤在一起。

打开网易新闻 查看精彩图片

记忆和推理，各干各的

架构上，CellularFlow引入了两个独立模块：联想式DNA记忆库负责长期知识存储，情景缓冲区处理短期上下文。推理时，模型先从记忆库中检索相关知识，再结合当前输入进行序列推理。

这种设计借鉴了生物记忆机制——DNA存储遗传信息，情景记忆处理近期事件，两者互不干扰。放到模型里，就是知识写入和推理计算不再共享同一组参数，从根源上避免了灾难性遗忘。

开源项目，效果可复现

项目已在GitHub上开源，代码和实验配置均可直接获取。对于正在做持续学习、增量训练或者模型终身学习方向的开发者，这个架构提供了一个值得对照的基线方案。

83.9%的保留率当然不是终点，但它至少证明了一件事：对抗遗忘，不一定非要靠回放旧数据或者正则化约束，把存储和推理物理隔离，也是一条走得通的路。