TTME 方法在數學任務上超越 TTT 並降低運算成本
研究提出測試時記憶體演化（Test-Time Memory Evolution, TTME）方法，透過持續更新外部記憶體來蒸餾經驗以引導後續發現，而無需更新模型權重，並在五項數學任務上表現優於測試時訓練（TTT），同時顯著降低計算資源消耗。
本文重點
- 研究提出TTME方法，透過更新外部記憶體引導發現，無需更新模型權重。
- TTME在FLOPs上降低82.8%至84.6%，運行時間降低47.7%至58.4%。
- TTME在五項數學任務上表現優於TTT，且顯著降低計算資源消耗。
- 本站上線
- 2026/10/30 上午02:20
- 首次報導
- 2026/10/26 下午12:00
- 最早來源發布
- 2026/10/26 下午12:00
研究在做什麼
近期的測試時訓練（Test-Time Training, TTT）框架使開放權重的大型語言模型在科學發現任務上優於由前沿模型驅動的僅推理框架。然而，TTT 在發現過程中需要進行線上權重更新，帶來額外的計算成本，這使得在擴展到更大規模模型時，計算效率成為重要考量。本研究旨在探索一種高效的測試時適應方法，以替代 TTT。 arXiv cs.AI
方法
研究提出「測試時記憶體演化」（Test-Time Memory Evolution, TTME），這是一種即插即用的測試時適應方法。TTME 透過持續更新外部記憶體來蒸餾經驗，以引導後續的發現過程，而無需更新模型權重。為了進行乾淨的比較，研究在相同的發現框架下評估 TTME 和 TTT，僅替換測試時適應方法。 arXiv cs.AI
結果
評估顯示，TTME 在所有五項數學任務上均優於 TTT。在計算成本方面，TTME 在 FLOPs 上降低了 82.8% 至 84.6%，在運行時間上降低了 47.7% 至 58.4%。這些結果確立了 TTME 作為 TTT 在評估的發現場景中有效且計算效率高的替代方案。 arXiv cs.AI
程式碼與資料
本站 2026-10-30 整理（資料來自 Hugging Face 論文頁與 GitHub，由程式查詢，不經模型撰寫）：
- 研究機構（Hugging Face 標示）：University of California, Santa Barbara
- 程式碼：yepengliu/TTME｜3 顆星｜最後更新 2026-10-27｜授權 MIT
- 模型與資料集：Hugging Face 上沒有連結到這篇論文的公開模型或資料集
來源：佐證 1 筆
媒體轉述新聞媒體的報導
- arXiv cs.AI · Can Test-Time Memory Evolution Outperform Test-Time Training for Scientific Discovery?10/26 下午12:00
這篇對你有用嗎？
留言 0
- 還沒有留言，第一則就是你的。
留言不用登入；名字選填，沒填就顯示「匿名會員」。含連結或疑似廣告的留言會先經編輯確認；檢舉達 3 次的留言會自動隱藏。隱私政策
發現錯誤？
回報會進入待處理清單；核實後更正，並在文中註記更正紀錄。