El aprendizaje incremental de clase (CIL) permite a los modelos adquirir continuamente conocimiento y adaptarse en un entorno siempre cambiante. Sin embargo, un desafío principal radica en el equilibrio entre la estabilidad y la plasticidad, es decir, expandir plásticamente la base de conocimiento novedoso y retener de manera estable el conocimiento previo sin olvidos catastróficos. Observamos que incluso los métodos de CIL prometedores recientes a través de modelos pre-entrenados (PTMs) todavía sufren de este dilema.