测试时训练
测试时训练（TTT）是一种在模型推理阶段允许参数进行轻量级更新或适配的机器学习范式，打破传统训练-推理的割裂边界，使模型能在测试时基于当前输入自适应调整，有效应对分布漂移问题
时间轴 (近 90 天)
在缺乏词元级测量之前，认证分数证明了单题TTT的有效性，但不能直接推断其机制与RL的1-3%词元现象同源。
测试时训练（TTT）与常规训练的关键区别在于更新发生的时机：模型在推理阶段针对当前输入临时调整参数，而不是在固定数据集上预先训练。
讨论者表示尚未见到对单题TTT运行进行词元级别测量的工作，这是一个具体的研究缺口：将参数空间的小更新映射回词元空间的变化分布。
Latent Compaction 揭示的趋势是推理过程中的静态组件可以通过测试时训练动态适应输入。
Latent Compaction 将 KV 缓存本身视为一个可训练的神经网络，并通过测试时训练进行优化。
训练是指用大规模数据反复迭代模型参数，属于离线、长周期任务；推理是模型上线后响应用户每一次请求的前向计算过程，是实时、高并发的在线任务。
在搜索与训练耦合的循环中，仅保存最新权重无法完整恢复实验状态，因为模型检查点与搜索档案共同描述同一个演化中的实验，恢复时必须成对还原。
在 TTT 与搜索耦合的场景中，PUCT 搜索不是一次性完成的，而会在每个训练 step 后继续扩展，因此搜索树本身（哪些节点被访问、访问次数、价值估计等）构成必须被持久化的状态。
全部知识事实 (9)
测试时训练（TTT）与常规训练的关键区别在于更新发生的时机：模型在推理阶段针对当前输入临时调整参数，而不是在固定数据集上预先训练。
50%待验证在缺乏词元级测量之前，认证分数证明了单题TTT的有效性，但不能直接推断其机制与RL的1-3%词元现象同源。
50%待验证讨论者表示尚未见到对单题TTT运行进行词元级别测量的工作，这是一个具体的研究缺口：将参数空间的小更新映射回词元空间的变化分布。
50%待验证Latent Compaction 将 KV 缓存本身视为一个可训练的神经网络，并通过测试时训练进行优化。
50%待验证Latent Compaction 揭示的趋势是推理过程中的静态组件可以通过测试时训练动态适应输入。
50%待验证训练是指用大规模数据反复迭代模型参数，属于离线、长周期任务；推理是模型上线后响应用户每一次请求的前向计算过程，是实时、高并发的在线任务。
50%待验证在搜索与训练耦合的循环中，仅保存最新权重无法完整恢复实验状态，因为模型检查点与搜索档案共同描述同一个演化中的实验，恢复时必须成对还原。
50%待验证在 TTT 与搜索耦合的场景中，PUCT 搜索不是一次性完成的，而会在每个训练 step 后继续扩展，因此搜索树本身（哪些节点被访问、访问次数、价值估计等）构成必须被持久化的状态。
50%待验证测试时训练（TTT）在推理阶段利用当前输入的自监督信号对部分参数进行短暂局部梯度更新再执行预测
50%