arXiv 最新公佈的一篇機器學習論文《面向通用持續學習的類腦分層模組化》（Brain-Inspired Hierarchical Modularity for General Continual Learning）由 Hongwei Yan 等 10 位作者完成，提交於 2026 年 9 月 21 日，arXiv 編號為 2609.25146v1，DOI 為 10.48550/arXiv.2609.25146，全文共 50 頁，歸類於 cs.LG 與 cs.AI。
持續學習關注智慧系統如何從序列經驗中學習，並在適應新知識的同時保留舊知識。但傳統持續學習研究通常假設離線、按任務劃分的訓練方式，並且任務邊界清晰，這與線上、不確定、持續演變的資料流中的通用持續學習仍有很大距離。
在這種更現實的設定下，系統需要同時處理兩個目標：一方面分離相互衝突的經驗，以降低干擾；另一方面整合彼此相容的經驗，以促進泛化。作者從果蠅的學習與記憶系統組織方式中獲得啟發，提出一種分層模組化原則，透過專家特化與整合整合來協調上述兩種功能。
論文將該原則例項化為預訓練基礎模型的輕量模組化適配。方法結合受大腦啟發的隨機擴充套件來安排專家路由，並在空間與時間尺度上進行多樣化的模組整合。這種設計力圖在保留基礎模型通用能力的同時，讓新增模組適應不斷到來的資料。
實驗覆蓋視覺識別、視覺語言理解、自我-他人（ego-exo）影片理解以及具身視覺-語言-動作（VLA）學習。結果顯示，在線上且不確定的資料流中，該方法能夠一致地改善學習表現；尤其在具身操作任務上，相較無回放的替代方案，提升超過 50 個百分點。
作者總結認為，這些發現支援將分層模組化視為一條有生物學依據的路徑，用於從動態經驗中持續學習。論文提供 PDF、實驗性 HTML 與 TeX 原始碼等全文連結，當前版本為 v1，提交時間為 2026 年 9 月 21 日 07:07:06 UTC，檔案大小約 7,727 KB；引用格式為 arXiv:2609.25146 [cs.LG]，並附有 arXiv 許可資訊。