科学发现中的测试时适应：记忆演化能否取代训练

2026年10月28日阅读约 2 分钟

导语

让模型在推理过程中继续学习，正在成为科学发现系统的重要方向。传统推理通常依赖固定参数，而测试时训练（Test-Time Training，TTT）会在任务执行期间在线更新模型权重，从而让模型根据当前发现过程调整自身。不过，权重更新也带来了额外计算成本，模型规模越大，这一负担越难忽视。

一篇发表于 Hugging Face Daily Papers 的研究提出了测试时记忆演化（Test-Time Memory Evolution，TTME），试图以更轻量的方式完成类似的适应过程。

TTME不直接训练模型，也不改变其参数。它的基本思路是：持续从探索、验证和反思过程中提炼有用经验，并把这些经验写入外部记忆；后续步骤再读取这份不断演化的记忆，为新的科学发现提供指导。

这一区别使TTME与TTT形成了清晰对照：两者使用相同的科学发现框架，只替换测试时适应模块。这样，结果差异更可能来自“更新外部记忆”与“更新模型权重”两种机制本身，而不是系统架构的其他变化。

研究给出的主要结果包括：

这项工作说明，测试时适应未必需要把“学习”写入模型参数。对于科学发现这类长流程任务，许多经验可能只需在当前探索过程中保留和复用，外部记忆因此成为一种更经济的适应载体。相比频繁进行权重更新，记忆演化有望降低部署门槛，也更适合计算预算有限或需要扩展模型规模的场景。

不过，现有结论来自论文所评估的五项数学任务和特定发现框架，不能直接等同于TTME在所有科学领域都优于TTT。外部记忆如何筛选经验、如何避免积累错误，以及记忆规模增长后是否影响检索效率，仍是值得进一步研究的问题。更广泛的化学、物理、生物发现任务，以及不同模型和验证机制下的表现，也需要后续实验确认。

总体而言，TTME提供了一个重要视角：科学智能体的在线进化不一定依赖参数更新，结构化、可复用的外部经验同样可能成为提升发现能力的关键。