arXiv 最新公布的一篇机器学习论文《面向通用持续学习的类脑分层模块化》（Brain-Inspired Hierarchical Modularity for General Continual Learning）由 Hongwei Yan 等 10 位作者完成，提交于 2026 年 9 月 21 日，arXiv 编号为 2609.25146v1，DOI 为 10.48550/arXiv.2609.25146，全文共 50 页，归类于 cs.LG 与 cs.AI。
持续学习关注智能系统如何从序列经验中学习，并在适应新知识的同时保留旧知识。但传统持续学习研究通常假设离线、按任务划分的训练方式，并且任务边界清晰，这与在线、不确定、持续演变的数据流中的通用持续学习仍有很大距离。
在这种更现实的设定下，系统需要同时处理两个目标：一方面分离相互冲突的经验，以降低干扰；另一方面整合彼此兼容的经验，以促进泛化。作者从果蝇的学习与记忆系统组织方式中获得启发，提出一种分层模块化原则，通过专家特化与集成整合来协调上述两种功能。
论文将该原则实例化为预训练基础模型的轻量模块化适配。方法结合受大脑启发的随机扩展来安排专家路由，并在空间与时间尺度上进行多样化的模块整合。这种设计力图在保留基础模型通用能力的同时，让新增模块适应不断到来的数据。
实验覆盖视觉识别、视觉语言理解、自我-他人（ego-exo）视频理解以及具身视觉-语言-动作（VLA）学习。结果显示，在在线且不确定的数据流中，该方法能够一致地改善学习表现；尤其在具身操作任务上，相较无回放的替代方案，提升超过 50 个百分点。
作者总结认为，这些发现支持将分层模块化视为一条有生物学依据的路径，用于从动态经验中持续学习。论文提供 PDF、实验性 HTML 与 TeX 源码等全文链接，当前版本为 v1，提交时间为 2026 年 9 月 21 日 07:07:06 UTC，文件大小约 7,727 KB；引用格式为 arXiv:2609.25146 [cs.LG]，并附有 arXiv 许可信息。