COMET：解耦蒸馏、路由与容量控制的持续视觉语言学习

2026年10月19日，arXiv Computer Vision 刊出 Seungyoon Woo、Keonhee Park、Gunhee Kim 提交的论文，提出 COMET（Collaborative Mixture-of-Expert Transfer）持续视觉-语言学习方法。报道称，视觉-语言模型在任务无关持续学习中面临三类问题：模态一致性漂移、表征空间干扰和单任务容量不足；COMET 分别通过解耦知识蒸馏、专家路由与容量控制来应对。论文原文表述为“We propose COMET (Collaborative Mixture-of-Expert Transfer) to resolve these three issues respectively as follows.”目前公开信息仅涉及方法提出与问题设定，尚无后续跟进报道披露实验结果、对比基线或适用条件，事件仍处于论文发布阶段。

AI 根据报道生成 · 3 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。