他们把每一次模型更新，拆解为最小的 rank-1″记忆原子”，让持续学习变成一座参数化记忆库的”little by little”增量生长 —— 新知识一点点添进去，旧本领稳稳留在原地，还不需要额外的路由器来指挥。在 CLIP 上（X-TAIL 基准，10 个连续任务），MoRAM 在 Average、Last 两项指标上都取得了最优表现，同时很好地保留了模型对未见任务的零样本（zero-shot）能力 —— 细粒度的原子让新知识被”隔离”地学习，不会覆盖旧知识。在 LLM 上（TRACE 基准，三个模型家族），MoRAM 在 LLaMA-2-7B、Gemma-2B、LLaMA-3.2-1B 上都拿到了最低的遗忘率 —— 其中反向迁移（BWT，衡量遗忘）比最强的 LoRA 类基线还低 2~6 倍。