持续学习中关于任务划分的隐含假设及其对评估结果的影响

持续学习研究揭示，任务划分粒度、数据呈现顺序和底层数据相似性结构都会影响模型的测量结果。研究通过受控的 teacher–student 实验验证这些因素的作用，并审查代表性 benchmark 对相关属性的说明情况；对于预训练语料未公开的基础模型，相关数据属性则体现在模型初始状态中。