机器人换了载荷或电机磨损后，同一个指令可能产生不同结果。此时，训练记录就像一叠旧错题：继续全盘复习，可能把模型拉回过时规律；全部扔掉，又会浪费仍有用的经验。两项工作把问题推进了一步：世界变化后，机器究竟该忘什么、何时忘。
第一项工作 CAWM 让 DreamerV3 根据自身预测误差发现动力学突变，再用 CUSUM——一种持续累加异常偏差、超过阈值便报警的方法——触发清理。它保留已经学会的表示和策略，只从经验回放缓冲区中逐步淘汰旧记录。作者在模拟行走任务中发现，面对重力加倍和执行器增益减半，这比被动继续训练恢复更快，也避开了重建世界模型带来的第二次性能下跌；不过相关对照仅有三个随机种子，且部分实验按已知变化时刻触发。
第二项工作补上边界：遗忘更适合幅度大且永久的变化；若旧动力学会回来，保留历史反而有益。作者用“年龄—陈旧度 AUC”衡量记录越旧是否越可能失效，并指出策略取决于变化幅度及动力学如何演化。换句话说，持续适应不只是更新模型，也要判断过去何时已成为负担。