我们的基准足够吗？ MLLM 持续学习分析

持续适应对于跨不断发展的领域部署的多模态 大语言模型 (MLLM) 至关重要，但最先进的 MR-LoRA 方法高度依赖于基于 MLLM 的路由器处理复杂多模态输入所必需的假设。本文重新审视了 MLLM-CL 基准上的这一主张，并提出了两个主张。首先，路由不需要 MLLM：一种简单的 无需训练、无重播典型路由方法（RePRo），使用冻结的预训练特征和任务原型以低得多的计算成本来匹配 MR-LoRA 的基于 MLLM 的路由器。 \textbf{第二}，共享专家并不能改善 MLLM 的持续学习，尽管它们在理论上很有吸引力。我们表明，这些发现源于 MLLM-CL 的两个结构限制：（1）其任务在表示空间中 \textbf{高度可分离}，以及（2）其固定的任务顺序使得结论 \textbf{对单一课程敏感}，而不是在不同的持续学习轨迹中稳健。因此，该基准主要奖励孤立的学习，而不是真正的持续迁移。这激发了未来持续 MLLM 学习基准的新设计，其中包括重叠的任务流形、多个任务顺序、细粒度的域转移以及奖励前向迁移和保留的评估协议。