Bài báo này trình bày Năng lực Mô hình Hiệu quả (CLEMC) cho mạng nơ-ron trong Học Liên tục (CL) liên quan đến bài toán khó về tính ổn định-tính dẻo. Chúng tôi phát triển một phương trình vi phân mô hình hóa sự tiến triển của tương tác giữa mạng nơ-ron, dữ liệu tác vụ và quy trình tối ưu hóa, đồng thời chứng minh rằng năng lực hiệu quả, tức là sự đánh đổi giữa tính ổn định và tính dẻo, vốn không dừng. Thông qua các thử nghiệm mở rộng trên nhiều kiến trúc khác nhau (bao gồm mạng truyền thẳng, mạng nơ-ron tích chập, mạng nơ-ron đồ thị và các mô hình ngôn ngữ dựa trên Transformer quy mô lớn với hàng triệu tham số), chúng tôi chứng minh rằng khả năng biểu diễn các tác vụ mới của mạng giảm đi khi phân phối tác vụ mới khác với phân phối tác vụ trước đó.
