Test-Time(测试时)是机器学习中指模型在推理阶段——即面对实际输入、训练已完成之后——进行额外计算或参数调整的阶段。近年它从单纯的推理策略演变为独立的研究方向：模型不再依赖一次性训练，而是在每次任务到来时临时“补课”，包括测试时训练(Test-Time Training)、测试时强化学习、测试时回归等分支。随着大模型推理成本的攀升，如何在测试时用更少的算力换取更高的准确率，成为学术界与工业界共同关注的问题。
Test-Time 方法的近期进展
测试时适应与自进化是当前最活跃的分支。METTA 提出基于神经记忆的元强化学习测试时适应方法，让智能体在环境变化时在线更新自身策略；面向机器人场景的 RoboTTT 则让机器人模型原生支持 8000 步上下文，性能提升 62%，显示测试时训练已从视觉分类扩展到具身智能领域。在视觉方向，一个测试时自进化框架将 GUI 视觉定位准确率提升了 7.4%，验证了该方法在多模态任务上的通用性。
成本控制成为新议题
测试时方法的算力开销是绕不开的争议点。SelectTTRL 用表征引导的数据选择来降低测试时强化学习的成本；DIA 方法则指出并非所有测试时计算都是有效证据，通过异构模型仲裁来修正大模型推理偏差。这些工作共同指向一个方向：测试时计算需要“花在刀刃上”，而不是无差别地扩大搜索或采样规模。
当前焦点与观察点
目前 Test-Time 研究的争论集中在三点：一是效率，CoT 推理的熵动力学研究发现了两阶段结构并实现高效早退，尝试回答“推理到什么时候可以停”；二是质量与多样性的平衡，Direct Pass@k 优化方法在思维链剪枝中同时兼顾这两个维度；三是泛化性，P-TTT 将测试时训练用于个性化奖励建模，测试时回归也被重新审视用于序列压缩。值得注意的是，清华与阿里联合提出的 ViT³ 以线性复杂度视觉 Transformer 入选 CVPR 2026 Oral，显示测试时思想正在反向影响底层架构设计。未来观察点在于：测试时方法能否在工业部署中证明其成本收益比，以及它与模型预训练的边界是否会进一步模糊。