以下为上游提供的源文稿，可能存在识别错误。
乔木转写是基于源文稿的中文提炼，不是逐字翻译。请核对原文中的人名、数字与观点。
选一篇，慢慢读
从左侧挑一篇，正文会在这里排成书页。
Continual learning in physical AI differs from conventional continual learning because small per-step policy errors can accumulate over a trajectory. Each deviation may move the agent outside the training distribution, increase subsequent prediction errors, and ultimately cause closed-loop task failure. This work intro
阅读原文 · Oswaldo Ludwig
向阳乔木 · opencode-go/deepseek-v4.1-flash
这篇论文值得看，原因很直接：它盯上了具身智能里一个容易被忽略的麻烦。 常规持续学习担心的是“学新任务忘旧任务”。机器人、自动驾驶这类物理 AI 多了一层风险： 每步的小误差会在轨迹上累积 ，一步偏出训练分布，后面越错越远，最后整个闭环任务崩掉。所以“哪些参数不能随便动”这件事，不能只看它对应哪个任务，还要看它在轨迹的哪些点上容易放大扰动。 DRAP 就是围绕...