在终身学习中，学习者会面对一系列任务，逐步构建一个数据驱动的先验知识，该先验知识可以用于加速新任务的学习。在这项研究中，我们从样本复杂度、计算成本和内存成本三个方面调查了当前终身学习方法的效率。为此，我们首先引入了一种新的、更为现实的评估协议，即学习者每次仅观察每个示例一次，并且超参数选择是在一个小的、独立的任务集上进行的，该任务集不用于实际的学习体验和评估。其次，我们提出了一种新的指标来衡量学习者获取新技能的速度。第三，我们提出了GEM（Lopez-Paz & Ranzato, 2017）的一个改进版本，称为平均GEM（A-GEM），其性能与GEM相同甚至更好，同时在计算和内存效率方面几乎与EWC（Kirkpatrick et al., 2016）和其他基于正则化的算法相当。最后，我们展示了如果提供描述所考虑分类任务的任务描述符，则所有算法包括A-GEM都可以更快地学习。我们在多个标准终身学习基准上的实验表明，A-GEM在准确性和效率之间具有最佳的平衡。