continual-learning
本站收录 20 个带「continual-learning」标签的 AI 开源项目
honchoHoncho 是一个为构建有状态 AI 智能体而设计的记忆库。它解决了智能体在对话或任务中缺乏长期记忆和上下文连续性的问题,让智能体能够记住用户偏好、历史交互和★ 8,129
letta-codeletta-code 是一个基于 TypeScript 的开源智能体框架,核心目标是让 AI 代理像人一样拥有持久记忆、稳定身份和持续学习能力。传统 LLM 代★ 3,840
MetaClawMetaClaw 是一个让 AI 智能体通过对话持续进化的开源框架。它解决的是传统智能体在部署后能力固化、无法从交互中学习的问题。其核心能力是结合元学习、在线学★ 3,467
SkillClawSkillClaw 是一个基于 Python 的智能体技能进化框架,灵感来源于 OpenClaw,旨在让 AI 智能体通过集体智能机制持续进化技能。它解决的是单★ 2,759
awesome-diffusion-categorized这是一个精选扩散模型论文的合集,按子领域分类整理,旨在帮助研究者和开发者快速定位特定方向的学术资源。项目解决了扩散模型论文数量庞大、检索困难的问题,通过系统化的★ 2,220
Awesome-AI-MemoryAwesome-AI-Memory 是一个专注于大模型与智能体记忆领域的精选知识库,由社区持续维护。它系统性地梳理了 LLM Memory 和 Agent Me★ 1,309
memorillaMemorilla 是一个为大型语言模型提供潜在语义记忆的开源 Python 项目,目标是把对话或文档中的长期信息压缩成可复用的记忆表示,让模型在多轮交互和长上★ 975
a-evolvea-evolve 是论文《Position: Agentic Evolution is the Path to Evolving LLMs》的官方代码仓库,核心★ 851
Awesome-Model-Merging-Methods-Theories-Applications这是一个关于模型合并(Model Merging)的精选资源列表,收录了在大语言模型(LLM)、多模态大模型(MLLM)等领域中模型合并的方法、理论、应用与机遇★ 800
Awesome-Agent-MemoryAwesome-Agent-Memory 是一个聚焦大语言模型(LLM)与多模态模型(MLLM)记忆机制的精选资源列表,系统梳理了长期上下文、检索增强和推理记忆★ 712
geargear 是一个用 TypeScript 编写的模块化框架,面向递归自我改进(RSI)场景,定位类似机器学习中的 scikit-learn:把「智能体执行框架(★ 461
opengeniemasterOpenGenie 是一个开源的具身智能体框架,围绕执行、反馈与持续改进三个环节构建闭环。它解决的是机器人与仿真环境中的智能体难以从任务执行结果中稳定学习、迭代★ 433
TreeLoRATreeLoRA 是 ICML 2025 论文的 PyTorch 实现,面向持续学习(Continual Learning)场景,提出一种基于层级梯度相似性树的★ 350
kapsokapso是一个基于知识图谱的自主机器学习/人工智能程序合成与优化框架。它解决的核心问题是:大语言模型在生成和优化代码时缺乏领域知识支撑,导致生成结果不够精准、★ 222
LoRILoRI 是一个针对多任务低秩适配(LoRA)的改进方法,旨在解决多任务学习中的跨任务干扰问题。它通过引入任务特定的低秩子空间和正交化约束,减少不同任务在参数更★ 175
awesome-lifelong-learning-methods-for-llm这是一个精选资源列表,汇集了大语言模型(LLM)终身学习领域的综述、论文和资源,并持续更新。它旨在解决LLM在部署后如何持续学习新知识、适应新任务而不遗忘旧知识★ 167
Lifelong-nnUNetLifelong-nnUNet 是一个基于 nnU-Net 的医学图像分割框架,专门解决传统分割模型在持续学习场景中的灾难性遗忘问题。它允许模型在多个医学影像数★ 164
FLNKFLNK(Federated Learning with New Knowledge)是一个探索将新知识融入现有联邦学习系统的开源研究项目。它旨在解决联邦学习系★ 88
PSECPSEC是一个面向智能体(Agent)的技能扩展与组合框架,其核心思想是在参数空间中实现技能的动态扩展与灵活组合。它解决的是智能体在面对新任务时,如何高效复用已★ 68
codebase-for-incremental-learning-with-llm这是一个用于大语言模型增量学习的开源代码库,由ACL 2024相关论文官方发布,包含三篇工作的实现:一是“Learn or Recall?”研究,探讨在预训练语★ 63