今天小编分享的科学经验：o1不是唯一路径！MIT新研究：在测试时训练，模型推理能力最高升至5.8倍，欢迎阅读。
o1 不是通向大模型推理的唯一路径！
MIT 的新研究发现，在测试时对大模型进行训练，可以让推理水平大幅提升。
在挑战超难的 ARC 任务时，准确率最高可提升至原来的 5.83 倍。
这样的表现不仅优于 GPT-4 和 Claude，如果与其他推理方法相结合，还能超越人类的平均水准。
OpenAI o1 团队成员Noam Brown表示，o1 的大规模计算可能不是最好的方法，很高兴看到有学者在提高推理能力上探索新的方法。
在测试中训练模型
不同于传统的先训练后测试模式，测试时训练（Test-Time Training，TTT）在部署阶段面对新的测试样本时，不直接用训练好的模型去推理。
在推理之前，测试样本自身携带的信息，会通过快速的训练过程被用于调整模型参数。
总体来说，TTT 过程中一共有三个关键阶段——训练数据生成、模型适应范式设计以及推理阶段的策略。
数据生成的核心是将测试任务中蕴含的输入输出对关系，通过数据增强的方式最大限度地利用，可具体分为两个步骤。
首先是基于 leave-one-out 构造新的任务。
对于包含 K 个输入输出对的测试任务，依次将每个样本留出作为测试样本，其余 K-1 个作为训练样本 , 由此构造出 K 个新的 TTT 训练任务。
这样就可以从一个测试任务出发，构造出 K 个结构一致但内容互补的新任务，从而扩充了 TTT 训练数据。
在此基础上，作者还进行了数据增强，主要包括对输入输出施加各类几何变换，以及打乱训练样本对的顺序。
经过这一步，TTT 训练集的规模可以得到显著扩大。
整个 TTT 数据构造过程可高度自动化，不依赖人工标注。
利用构造好的 TTT 数据集，就可以对预训练好的语言模型进行测试时训练。
考虑到测试时的资源限制，作者采用了参数高效的 LoRA，为每个测试任务学习一组独立的 adapter 参数，附加在预训练模型的每一层之上，通过一个低秩矩阵与原始权重相乘起到调节作用。
过程中还额外加入了对所有前缀序列的预测，目的是通过在各种长度的演示样本上都计算损失，鼓励模型尽早地从少量信息中总结出抽象规律，从而提高鲁棒性。
最后，为了实现 TTT 效果的最大化，作者在推理阶段应用了数据增强和集成学习策略。
推理过程中，先利用一系列预定义的几何变换算子（如旋转、翻转等）扩充原始输入，生成若干等价视角下的输入变体。
之后将每个变体输入并行地送入 LoRA-tuned 模型，独立完成预测，然后再对齐和还原到原始输入空间，由此得到一组成对的预测。
在成对预测的基础上，通过分两层投票的方式完成集成融合：
第一层在每种变换内部进行投票，选出置信度最高的 Top-3 个预测 ;
第二层在不同变换的 Top-3 预测之间进行全局投票，选出最终的 Top-2 作为输出。
这一推理策略，既通过数据增强引入了输入的多样性，又用分层投票的方式对不同来源的预测进行了结构化的组合，进一步提升了 TTT 方法的效果。
ARC 任务准确率最高升至 6 倍
为了评估 TTT 方法的效果，研究团队以 8B 参数的 GPT-3 作为基础模型进行了测试。
如果不使用 TTT 仅进行微调，模型在 ARC 数据集上的准确率只有 18.3%，加入 TTT 后提升到 47.1%，增长率达到了 157%。
另外，作者还从 ARC 数据集中随机选择了 80 个任务作为子集进行了测试。
测试发现，TTT 方法对于 1B 模型的提升效果更加明显，调整后模型的准确率接近调整前的 6 倍。
并且在调整前后，1B 和 8B 两个规模的模型之间的相对差距也在缩小。
进一步地，作者还将 TTT 方法与之前在 ARC 任务上取得优异成绩的BARC（Bootstrapping Approach for Reward model Construction）方法进行了比较和结合。
具体来说，作者首先独立运行这两个系统，得到它们在每个测试任务上的输出。
如果两者输出完全一致，则直接认为推理结果是正确的；
如果输出不一致，则看 BARC 是否能够生成确定的、唯一覆盖所有测试样本的解题程式，若是则认为 BARC 的输出更可靠；
反之，如果 BARC 生成了多个候选程式但无法确定最优解，或者干脆无法生成任何满足约束的程式，则认为 TTT 的输出更可靠。
两种方式配合使用后，取得了 61.9% 的 SOTA 成绩，已经超过了人类的平均水平。
One More Thing
根据作者在推文中的介绍，在这篇论文发布前，一个叫做 MindsAI 的团队已经发现使用了相同的技术。
利用 TTT 技术，该团队已经用 58% 的正确率取得了 ARC 挑战的第一名。
作者的论文发布之后，MindsAI 团队领导者 Jack Cole 也发文进行了祝贺：
很高兴，我们掀起了这场对 TTT 的兴趣风暴。
同时，Jack 还推荐了另一名研究 TTT 的学者——斯坦福大学华人博士后Yu Sun，表示他的研究值得被关注。
Sun 的个人主页显示，他针对测试时训练进行了大量研究，相关成果入选过 ICML、NeurIPS、ICLR 等多个顶级会议。
论文地址：
https://ekinakyurek.github.io/papers/ttt.pdf
