近期，人工智能研究领域涌现出一批以“无需训练”为核心理念的方法，旨在通过改进推理过程或架构设计，在不更新模型参数的前提下提升性能或扩展能力。这些工作主要聚焦于大语言模型（LLM）和扩散模型，涵盖检索增强、图像编辑、视频生成、推理优化及幻觉缓解等多个方向。
- 主要进展包括：
- SARDI 提出一种自增强检索方法，使扩散语言模型在推理时能动态利用自身生成内容作为检索依据，避免了额外训练检索器或模型微调，有效提升了生成质量与知识密度（SARDI：扩散语言模型的自增强检索方法）。
- GeM-NR 针对多视图图像编辑，在无需训练的条件下实现了对非刚性场景（如人体姿态变化）的几何一致编辑，通过优化潜在空间中的特征对齐来完成目标变形与外观迁移（GeM-NR：无需训练的几何感知多视图编辑，支持非刚性场景变化）。
- TunerDiT 关注多事件视频生成，利用渐进式引导策略在扩散Transformer的推理过程中逐帧调节生成轨迹，无需额外训练即可确保多个事件（如动作序列）的连贯性与一致性（TunerDiT：无需训练的多事件视频生成渐进引导方法）。
- 无需训练的循环Transformer 提出在冻结模型上循环使用同一Transformer块多次，通过推理时计算增加深度，从而在语言建模和推理任务中稳定提升性能，验证了“计算即容量”的可行性（无需训练的循环Transformer：冻结模型推理时循环提升性能）。
- ILVAD 与 TRACE 分别利用层间视觉注意力差异和跨层证据轨迹追踪来纠正LVLM与LLM的幻觉，两者均以无需训练的方式在推理阶段抑制错误生成（ILVAD：通过层间视觉注意力差异缓解LVLM幻觉；TRACE：跨层证据轨迹纠正减少大模型幻觉，无需训练）。
- KV-Fold 提出一种推理协议，通过单步KV缓存递归扩展LLM的有效上下文长度，无需训练即可处理超长序列，为解决长文本瓶颈提供了轻量方案（KV-Fold：无需训练的长上下文推理协议，单步KV缓存递归）。
当前焦点：这些方法共同指向“训练-推理”范式的转变——不再依赖大规模预训练或微调，而是通过精心设计的推理算法、架构重用或缓存策略来释放预训练模型的潜能。它们特别适合计算资源受限或需快速部署的场景。
未来观察点：随着无需训练技术的成熟，模型能力可能更多由推理策略而非参数规模决定；同时，这些方法能否与模型缩放规律兼容，以及在不同任务上的泛化边界，将是后续值得关注的问题。