在模型微调过程中，灾难性遗忘是常见挑战。请系统阐述其成因，并给出多种可行的缓解策略，包括但不限于数据重放、正则化约束、参数隔离与多任务学习等方法，并说明各自适用场景与潜在代价。

回答思路

1. 【回答框架 1】灾难性遗忘指模型学习新任务时覆盖旧知识，本质是参数更新导致旧分布表征漂移。缓解思路分三类：数据层面、参数层面、架构层面。
2. 【回答框架 2】数据层面常用经验重放，即混合旧任务样本或生成伪样本参与训练，简单有效但需存储或生成成本；也可用课程学习或领域自适应。
3. 【回答框架 3】参数层面可用正则化约束，如EWC对重要参数施加二次惩罚，或SI、LwF等知识蒸馏方法，保留旧任务输出分布；弹性权重巩固适合任务序列明确场景。
4. 【回答框架 4】架构层面采用参数隔离，如Adapter、LoRA等增量模块，冻结原参数只训练新模块，或使用动态扩展网络、记忆网络，避免干扰旧知识，但增加模型复杂度。
5. 【回答框架 5】多任务联合训练或持续学习框架（如Progressive Neural Networks）也能缓解，需权衡存储、计算与性能。实际工程常组合多种策略，并监控旧任务指标。
6. 【关键点 1】EWC通过Fisher信息矩阵识别重要参数并施加惩罚，是经典正则化方法。
7. 【关键点 2】LoRA等参数高效微调只更新低秩矩阵，天然减少对原参数的覆盖。
8. 【关键点 3】经验重放需平衡新旧样本比例，避免新任务过拟合。
9. 【关键点 4】知识蒸馏（LwF）用旧模型输出作为软标签，保留旧任务分布。
10. 【关键点 5】无绝对防止，需根据任务相似度、数据量选择策略并验证。
11. 【易错点 1】不能只依赖单一方法，需组合使用并评估旧任务性能。
12. 【易错点 2】重放样本过多可能降低新任务学习效率，需动态调整。
13. 【易错点 3】参数隔离方法可能限制模型容量，影响新任务表现。