换掉 Adam 就能少忘旧任务：STABLE 在 100 任务流上把同一套 LoRA 的平均准确率从 0.66% 拉到 73.12%
持续学习中的遗忘常被归因于回放、正则或架构改造，STABLE 改从优化器入手：它把参数偏离上一任务解的距离当作预算，越界就加大拉回强度，回到预算内就放松。在 ImageNet-R 的 100 任务流上，同一套 LoRA 从 Adam 的 0.66% 平均准确率变为 73.12%，平均遗忘从 60.22% 降到 10.17%；CLIP 多模态流上零样本迁移也保持在预训练水平附近。