CAMR: Compatibility-Aware Memory Replay for Continual Learning in Large Language Models
arXiv:2610.36734v1 Announce Type: new Abstract: Continual learning requires large language models to acquire new knowledge and capabilities while retaining what they have learned. Fine-tuning and replay support acquisition and retention, but deciding whether incoming examples need supervision and wh
Erfahren Sie mehr über die von DataCite ausgegebene arXiv-DOI (Registrierung ausstehend). Einreichungshistorie Von: Tianhao Li [ E-Mail anzeigen ] [v1] Di, 27. Okt 2026, 06:52:54 UTC (6.301 KB) Volltext-Links: Zugriff auf das Paper: PDF des Papers mit dem Titel CAMR: Compatibility-Aware Memory Replay for Continual Learning in Large Language Models von Jingpu Yang und 5 weiteren Autoren ansehen PDF ansehen HTML (experimentell) TeX-Quelle Lizenz anzeigen Weitere Funktionen Audio-Zusammenfassung Aktueller Browse-Kontext: cs.CL < zurück | weiter > neu | aktuell | 2026-10 Browse-Wechsel zu: cs Referenzen und Zitationen SciX Google Scholar Semantic Scholar BibTeX-Zitat exportieren Wird geladen...
BibTeX-formatiertes Zitat × wird geladen... Daten bereitgestellt von: Lesezeichen Bibliografische Tools Bibliografische und Zitations-Tools Bibliographic Explorer Bibliographic Explorer umschalten ( Was ist der Explorer? ) Connected Papers Connected Papers umschalten ( Was ist Connected Papers? ) Litmaps umschalten Litmaps scite.ai umschalten Smart Citations ( Was sind Smart Citations? ) Code, Daten, Medien Code, Daten und Medien, die mit diesem Artikel verbunden sind alphaXiv umschalten alphaXiv ( Was ist alphaXiv? ) Links zu Code CatalyzeX Code Finder umschalten ( Was ist CatalyzeX? ) DagsHub umschalten DagsHub ( Was ist DagsHub? ) GotitPub umschalten Gotit.pub ( Was ist GotitPub? ) Huggingface umschalten Hugging Face ( Was ist Hugging Face? ) ScienceCast umschalten ScienceCast ( Was ist ScienceCast? ) Demos Replicate umschalten Replicate ( Was ist Replicate? ) Spaces umschalten Hugging Face Spaces ( Was ist Spaces? ) Spaces umschalten TXYZ.AI ( Was ist TXYZ.AI? ) Verwandte Papers Empfehlungs- und Suchtools Link zu Influence Flower Influence Flower ( Was sind Influence Flowers? ) Core-Recommender umschalten CORE Recommender ( Was ist CORE? ) Autor Venue Institution Thema Über arXivLabs arXivLabs: experimentelle Projekte mit Community-Mitarbeitern arXivLabs ist ein Framework, das es Mitarbeitern ermöglicht, neue arXiv-Funktionen direkt auf unserer Website zu entwickeln und zu teilen.
Sowohl Einzelpersonen als auch Organisationen, die mit arXivLabs arbeiten, haben unsere Werte von Offenheit, Gemeinschaft, Exzellenz und Datenschutz für Nutzerdaten übernommen und akzeptiert. arXiv verpflichtet sich zu diesen Werten und arbeitet nur mit Partnern zusammen, die sich an sie halten.
Haben Sie eine Idee für ein Projekt, das der arXiv-Community einen Mehrwert bietet? Erfahren Sie mehr über arXivLabs.
Automatisch übersetzt. Das Original auf Englisch ist unten aufklappbar.
Original (Englisch) anzeigen
Focus to learn more arXiv-issued DOI via DataCite (pending registration) Submission history From: Tianhao Li [ view email ] [v1] Tue, 27 Oct 2026 06:52:54 UTC (6,301 KB) Full-text links: Access Paper: View a PDF of the paper titled CAMR: Compatibility-Aware Memory Replay for Continual Learning in Large Language Models, by Jingpu Yang and 5 other authors View PDF HTML (experimental) TeX Source view license Additional Features Audio Summary Current browse context: cs.CL < prev | next > new | recent | 2026-10 Change to browse by: cs References & Citations SciX Google Scholar Semantic Scholar export BibTeX citation Loading... BibTeX formatted citation × loading... Data provided by: Bookmark Bibliographic Tools Bibliographic and Citation Tools Bibliographic Explorer Toggle Bibliographic Explorer ( What is the Explorer? ) Connected Papers Toggle Connected Papers ( What is Connected Papers? ) Litmaps Toggle Litmaps ( What is Litmaps? ) scite.ai Toggle scite Smart Citations ( What are Smart Citations? ) Code, Data, Media Code, Data and Media Associated with this Article alphaXiv Toggle alphaXiv ( What is alphaXiv? ) Links to Code Toggle CatalyzeX Code Finder for Papers ( What is CatalyzeX? ) DagsHub Toggle DagsHub ( What is DagsHub? ) GotitPub Toggle Gotit.pub ( What is GotitPub? ) Huggingface Toggle Hugging Face ( What is Huggingface? ) ScienceCast Toggle ScienceCast ( What is ScienceCast? ) Demos Demos Replicate Toggle Replicate ( What is Replicate? ) Spaces Toggle Hugging Face Spaces ( What is Spaces? ) Spaces Toggle TXYZ.AI ( What is TXYZ.AI? ) Related Papers Recommenders and Search Tools Link to Influence Flower Influence Flower ( What are Influence Flowers? ) Core recommender toggle CORE Recommender ( What is CORE? ) Author Venue Institution Topic About arXivLabs arXivLabs: experimental projects with community collaborators arXivLabs is a framework that allows collaborators to develop and share new arXiv features directly on our website.
Both individuals and organizations that work with arXivLabs have embraced and accepted our values of openness, community, excellence, and user data privacy. arXiv is committed to these values and only works with partners that adhere to them.
Have an idea for a project that will add value for arXiv's community? Learn more about arXivLabs.