**摘要**
大型语言模型（ LLM ）通过更新其参数（例如，通过RL ）为下游任务进行训练。然而，更新参数迫使他们吸收特定任务的信息，这可能导致灾难性的遗忘和可塑性丧失。相比之下，使用固定LLM参数的上下文学习可以便宜且快速地适应特定任务的需求（例如，提示优化） ，
👤 作者: Rishabh Tiwari, Kusha Sareen, Lakshya A Agrawal, Joseph E. Gonzalez, Matei Zaharia, Kurt Keutzer, Inderjit S Dhillon, Rishabh Agarwal, Devvrit Khatri

---
🔗 **[Learning, Fast and Slow: Towards LLMs That Adapt Continually](https://arxiv.org/abs/2605.12484v1)**

> Learning, Fast and Slow: Towards LLMs That Adapt Continually
🏷️ 来源: ArXiv cs.AI
⏱️ 2026-05-14 08:00