Les chercheurs présentent l'apprentissage imbriqué, un nouveau paradigme de ML qui traite les modèles comme des problèmes d'optimisation imbriqués pour résoudre les oublis catastrophiques L'approche unifie l'architecture du modèle et les algorithmes de formation permettant un apprentissage continu L'architecture de démonstration de Hope démontre une modélisation supérieure du langage et une gestion de la mémoire à long contexte qui surpasse les modèles existants