在消费级显卡上做持续学习，而不是再训一个更大的静态模型——这是 Mini-AGI 在 Hacker News 上抛出的命题。
发生了什么
Mini-AGI 以 Show HN 的形式发布，作者给出的定位是「在 8GB 显存上训练的持续学习（continual learning）模型」。从标题和摘要能确认的信息有限：项目强调两点，一是训练所需的显存门槛被压到 8GB 这一档消费级显卡的水平，二是模型被描述为「动态」的，即学习过程不是一次性的，而是持续进行的。项目在 Hacker News 上获得了初步关注，但公开材料尚未展开说明其架构、数据来源或评测方式。
为什么重要
过去两年，模型能力的提升主要靠两条路：把参数做大，或者把后训练做深。两者都指向同一个前提——训练是一次性的、离线的，部署之后模型基本冻结。持续学习想解决的是这个前提本身：让模型在部署后仍能吸收新信息，而不必重训整个网络。
难点在于稳定性与可塑性的权衡。新数据进来，模型容易覆盖旧知识，也就是灾难性遗忘；如果过度保守，又学不进新东西。学术界对这个问题研究多年，但真正落到「8GB 显存」这种硬件约束下的工程实现并不多见。显存限制意味着不能靠全参数微调硬扛，必须依赖参数高效更新、重放缓冲或类似机制，这恰好是持续学习研究的核心工具箱。
另一个背景是本地化。8GB 显存是大量消费级显卡的常见规格，把持续学习压到这个门槛，等于把「个人设备上长期演化的模型」从概念变成可尝试的工程目标。
影响与看点
对开发者而言，值得关注的是它如何处理遗忘问题，以及「动态」具体指什么——是推理时的权重更新、在线微调，还是某种记忆模块的写入。这决定了它能否真正脱离离线训练流程。
对更广的行业来说，持续学习如果能在小显存上跑通，会改变模型迭代的成本结构：从「攒数据、重训、再部署」变成「边用边更新」。这对需要频繁适应新领域、新术语的场景有直接价值。
需要克制的是，Show HN 阶段的项目往往只有概念验证，缺少可复现的评测。Mini-AGI 目前更像一个方向性声明，而不是可对比的成果。它是否成立，取决于后续能否给出遗忘率、任务序列上的表现，以及在 8GB 约束下的实际吞吐。判断可以留一句：持续学习不缺论文，缺的是能在真实硬件上跑起来、并被反复验证的实现，Mini-AGI 值得放进观察名单，但还不到下结论的时候。
