본 논문은 지속적인 지시 조정(CIT)에서 기존의 기울기 업데이트가 이전 데이터셋의 성능을 크게 저하시키는 문제를 해결하기 위해, 지속적인 지시 조정을 위한 일반적인 프레임워크를 제안합니다. 기존의 지수 이동 평균(EMA)이 이전 매개변수를 추적하여 망각을 줄이는 데 도움이 되지만, 변화하는 데이터셋에 대한 균형을 맞추지 못하는 한계를 극복하고자, 손실 함수의 테일러 전개를 기반으로 기울기와 학습된 매개변수에 의해 최적의 균형 가중치를 자동으로 결정하는 안정성-가소성 균형 계수를 제안합니다. 또한, 지시어의 의미적 유사성을 기반으로 재훈련 또는 매개변수 확장 여부를 결정하고 테스트 인스턴스에 가장 적합한 매개변수를 할당합니다. 여러 지속적인 지시 조정 벤치마크에 대한 광범위한 실험을 통해 제안된 방법이 망각 방지 기능을 향상시키고 전반적인 지속적인 조정 성능을 크게 향상시킨다는 것을 보여줍니다. 코드는 https://github.com/JingyangQiao/CoIN 에서 확인할 수 있습니다.