通用持续学习（GCL）旨在从不断演化的数据流中学习，既没有任务标签，也没有明确的任务边界，更不允许重复访问历史数据，这使得它成为持续智能的真实而艰巨的场景。预训练模型（PTM）拥有丰富的先验知识，能够缓解 GCL 中监督稀缺和分布漂移的问题，但现有的 PTM‑based 方法往往直接微调预训练表征，忽视了两个关键缺口：上游预训练与下游持续适应之间的对齐偏差，以及在模糊数据流下传统输出对齐的可靠性不足。为此我们提出 MePo++，一个统一的后训练框架，通过表示细化和对齐将预训练知识桥接到 GCL 场景。MePo++ 包含两个互补模块：
- MetaPrep：在伪持续序列上进行无监督的元细化，提升表征的可塑性，使其更易于后续的持续适应；
- StreamAlign：通过将在线演化的特征与固定的预训练几何结构对齐，增强表征的稳定性，防止漂移。
通过在适应前提升表征的可学习性，并在学习过程中保持对齐，MePo++ 使 PTM 能够在捕获新概念的同时保持对演化流的鲁棒性。我们在多种 PTM、数据集以及主流持续学习基线上的实验表明，MePo++ 在提升性能和通用性方面表现一致且显著。代码已开源： https://github.com/SunGL001/MePo_Plus。
点评