这篇发表于2026年6月12日的arXiv综述论文（编号2606.24901，属于cs.LG与cs.AI分类），由Hao Jiang等十位作者共同完成，重新审视了工业级大语言模型的持续学习问题。作者指出，对于已经部署的工业LLM而言，持续学习能力至关重要：模型必须随着需求与运行环境的变化不断更新，而不是每次从零重新训练。然而现有研究大多聚焦于静态基准上的性能提升，难以反映真实工业场景的需求。
为此，论文将面向LLM的工业持续学习（Industrial Continual Learning，ICL）重新表述为一个带版本生态中的闭环“更新—发布”问题。在这一生态中，更新会按层级向下传播至工业级、面向具体应用的模型，以及由LLM驱动的各类应用；同时，能力需要在不同版本和不同模型家族之间实现继承与迁移。
从这一生态视角出发，作者识别出三项核心挑战。第一，反复的适配会侵蚀模型的塑性（plasticity），使模型逐渐丧失继续学习新任务的能力。第二，基础模型的升级会打断能力继承，导致下游模型与应用难以平滑接续。第三，长期可持续性受到部署要求的制约，工业部署对延迟、成本、稳定性与合规性的要求，会限制持续学习方案的可行空间。
论文随后围绕五条生命周期设计原则来组织ICL的技术版图：保留塑性余量（plasticity headroom）；将升级视为能力迁移；实现可信的持续强化学习；让训练配方具备自我优化能力；以及把可问责性作为长期迭代的基础层。针对每一条原则，作者综合梳理了具有代表性的技术方向。
在论文的最后部分，作者以基于证据的视角评估了各项原则及其技术组件的成熟度，指出了阻碍真实世界部署的关键缺口，并勾勒出一份可落地的ICL部署蓝图，以及一条将工业现实反馈回学术研究的路径。该论文以arXiv预印本形式发布，提交历史显示第一版于2026年6月12日13:44:48 UTC上传，全文约11.6MB。