当网络在新任务上训练时，梯度更新可能会覆盖编码了早期知识的权重，从而抹去原有技能——这就是灾难性遗忘。Kirkpatrick 等人（2017）用弹性权重巩固（Elastic Weight Consolidation）来应对这一问题：放慢对过去任务最重要的那些权重的学习速度，让模型在学习新能力的同时保留旧能力。
它是持续学习的核心障碍，也是在不削弱模型通用能力的前提下进行微调的主要难题。
训练基础概念
2026 年更新
灾难性遗忘（Catastrophic Forgetting）
定义
神经网络在新数据上训练时丢失先前已学会能力的倾向——这是持续更新模型时面临的一大挑战。
参考文献
本定义所依据的一手文献、同行评审文献和存档资料。
Overcoming catastrophic forgetting in neural networks
词典与百科条目
- Wikipedia — Catastrophic interference
- IBM — Think / Topics — What is catastrophic forgetting?
引用本条目
MultipleChat.《灾难性遗忘（Catastrophic Forgetting）》. MultipleChat AI 与 LLM 术语表，2026. https://multiple.chat/ai-glossary/catastrophic-forgetting