Google 提出 sleep 框架：让 LLM 在持续学习中保留知识

现代大语言模型通过预训练和上下文学习（ICL）取得了令人瞩目的性能。然而，一旦部署，它们基本保持静态，以固定的知识截止日期运行，这使它们无法获得长期能力或适应新信息。

虽然用新数据更新模型似乎是显而易见的解决方案，但持续的参数更新往往会引发灾难性遗忘，这是一个根本性问题：学习新任务会严重降低在先前所学任务上的性能。另一方面，严格依赖ICL会将知识保留限制在即时上下文窗口内：一旦上下文会话结束，所获得的短期信息就会被遗忘。

受人类大脑在休息期间如何处理并稳定记忆的启发，我们在持续学习中引入了睡眠框架：一种学习范式，为大语言模型（LLM）赋予连续的周期性生命周期，使其能够持续学习，将脆弱的短期上下文巩固为稳定的长期参数。借助这一框架，我们证明，在主动交互与离线记忆巩固之间交替，可使LLM持续获取新事实、保留长达10M token的长上下文知识，并提升复杂推理能力。

重新思考机器学习：主动（清醒）阶段与睡眠阶段

传统机器学习依赖于训练与推理之间的严格分离。在持续学习框架中，这种区分变得人为化；智能体必须不断学习、适应并处理信息。

在睡眠范式下，LLM在两种主要状态之间运行：

主动（清醒）阶段：模型主动接收、处理输入并与之交互，将临时信息存储在快速、短期的记忆组件中。
睡眠阶段：模型暂停处理新输入，并将内部计算转向记忆巩固和自我改进。

虽然“睡眠”“做梦”和“自我改进”等术语借自神经科学，但我们的框架完全在固定的模型架构和人类定义的训练规则内运行。在离线睡眠阶段，模型解锁预先分配的混合专家（MoE）记忆块，并使用自生成的练习示例更新其数值权重。这一自动化后训练循环帮助已部署的模型吸收新事实并提升其推理准确性，同时保持其核心代码库和设计不变。

睡眠过程的关键组成部分

睡眠范式通过两个阶段来应对灾难性遗忘和持续适应：记忆巩固与做梦。

1. 记忆巩固

在人脑中，非快速眼动（NREM）慢波睡眠通过抽象和蒸馏将脆弱的记忆巩固为长期结构。我们提出的睡眠框架通过两个关键技术机制来模拟这一自然现象：

参数扩展与连续记忆层级：为防止灾难性遗忘，模型在睡眠期间动态扩展其容量。利用混合专家（MoE）和Hope架构，新解锁的低秩专家被整合到稳定的低频记忆块中，以存储传入知识而不干扰较旧的参数。
Knowledge seeding (upward distillation): Fragile short-term memories stored in high-frequency layers (e.g., in-context memory) are transferred into the newly expanded long-term parameters. This is achieved through Generalized Knowledge Distillation (GKD) combined with reinforcement learning (RL)-based imitation learning:
- 同策略蒸馏：扩展后的学生模型从基于自采样序列生成的教师分布中学习 token 级别的反馈。
- 学习模仿（LTI）：在补全教师生成文本的前缀时，学生模型根据语义相似度和绝对相似度（Levenshtein 距离）获得奖励。
突触修剪：一旦记忆向低频模块的整合完成，高频临时参数就会被重置，从而为未来的活跃会话释放容量。

2. 通过“做梦”实现自我提升

在快速眼动睡眠期间，人脑会主动模拟场景、巩固情感与语义连接，并探索新的神经通路。与此类似，在“做梦阶段”，睡眠框架实现了一个自主的自我提升循环：

随机专家选择：在合成数据生成过程中，MoE 路由器会随机激活非标准专家。这迫使模型混合不同领域的知识，并发现潜在模式。
精选排练：模型生成合成训练样本（“梦境”），并使用基于梯度的数据选择方法对其进行筛选，以优先选择最有可能提升模型整体能力的样本。
强化学习精炼：模型对评分最高的梦境样本进行监督微调，并评估生成结果是否能提升下游任务的表现。

理论基础

除实证结果外，我们的睡眠范式还建立在一个理论基础之上，该理论阐明了为何其两个阶段（记忆巩固和做梦）能够支持持续学习，而不会简单地以新知识换取旧能力。

对于记忆巩固，分析表明，知识播种可以理解为一个结构化的低秩压缩问题。模型并不需要把短期痕迹的每个细节都复制到参数中，而是识别出一组紧凑的方向，以最好地同时保留模型自身的同策略行为和学习目标所奖励的语义特性。

这一视角解释了两种信号的互补作用：同策略蒸馏使巩固过程与模型在推理时实际产生的轨迹保持一致，从而减少仅基于教师生成分布训练时可能出现的失配；同时，语义奖励改变了值得保留的内容，优先保留能够维持含义和任务相关行为的方向，而不仅仅是匹配 token 概率。参数扩展则提供了写入这些被选记忆所需的容量，而不会覆盖此前已巩固的知识。

对于做梦，该理论将随机专家激活和基于奖励的样本选择描述为改善学习几何结构的机制。注入不同的 MoE 拓宽了合成生成过程中探索的梯度方向集合，使模型接触到比仅由普通清醒期数据所诱导的更丰富的更新集合。基于梯度的过滤随后强调携带最有用的学习信号的合成经验，在保留底层梯度空间结构的同时强化有信息量的方向。

这些步骤共同带来了更均衡的优化景观：学习不再被少数方向主导，梯度的条件数更好，模型在精炼自身能力时能够取得更稳定的进展。在这一视角下，做梦不仅仅是自生成的数据增强；它是一个有意的过程，用于多样化、选择和巩固模型自我改进所依赖的更新。

对于持续翻译，在满语和 Kalamang 等未见语言上，sleep 框架在多阶段评估中保持了接近零的性能下降，而 ICL、Cartridges 和监督微调（SFT）等标准基线在顺序学习过程中遭受了严重的灾难性遗忘。

在BABILong 基准上的长上下文理解中，我们的 sleep 方法在高达 10M token 的规模上展现出近乎完美的扩展性，通过利用睡眠时巩固将长上下文信息直接压缩进参数化记忆，优于GPT-4 和Titans 等强基线。

对于在SQuAD 和持续预训练（CPT）上评估的事实知识整合，我们的 sleep 方法在单任务评估中达到 48.9%，在 CPT 评估中达到 46.2%，成功整合了新的事实信息且未降低现有模型表示，优于包括基础模型、SFT 和自适应语言模型（SEAL）在内的基线方法。

最后，在包括AIME 24/25 和 HMMT 25 在内的数学推理基准上，经 sleep 增强的基础模型分别取得了 79.2%、69.0% 和 46.1% 的准确率。这优于 SFT、组相对策略优化（GRPO）和同策略自蒸馏（OPSD）等基线，表明将记忆巩固与模仿学习相结合能够驱动更优的推理性能。

结论

我们的睡眠范式为通向自主、持续学习的 AI 系统提供了一条路径。通过超越静态预训练和脆弱的上下文窗口，在主动学习与离线休息之间交替，使 LLM 能够保留短期记忆、将新技能抽象为长期参数结构，并在不发生灾难性遗忘的情况下持续自我改进。

致谢

本研究由 Ali Behrouz（Google 和康奈尔大学）、Farnoosh Hashemi（康奈尔大学）、Adel Javanmard（Google 和南加州大学）和 Vahab Mirrokni 完成。我们感谢 Yuan Deng 和 Corinna Cortes 审阅本工作并提出宝贵建议。我们也感谢 Mark Simborg、Kimberly Schwede 和 Tim Herrmann 在撰写本博文过程中提供的帮助。