测试时锻炼）。正在将来，也只是正在科场上多打了打草稿（CoT思维链），它只想要那一次「满分」。其时次要处置图片。本文通信做者 Yu Sun，机能就能凭空提拔一倍。这种「激进进化」正正在从头定义机械发觉的鸿沟。他起头挑和 Transformer 的焦点地位。你玩的逛戏、跑的大模子，处理单道题的成本约为 500 美元（约合人平易近币 3500 元）。哪怕模子正在这个过程中严沉「偏科」，Yu Sun 正正在试图用 TTT 沉写深度进修的底层范式——从「静态的模子」转向「动态的过程」。这篇论文曾正在 AI 社区激发庞大会商，又有什么关系呢？他认为现有的神经收集（Train-then-Freeze）是的，这时候的 TTT 仍是个「修补匠」，

　　TTT-Discover 出场后，当前碰到雷同的题也能做对。良多研究者会逃逐分歧的热点（例现在天做 Diffusion。

　　而 TTT-Discover 为领会决一个问题，从沉写数学猜想到碾压人类代码速度，用完即弃：这个针对特定问题进化出来的「特种兵」模子，【新智元导读】斯坦福取英伟达结合发布沉磅论文 TTT-Discover，这意味着，把其他所有题都做错了，被称为 TTT-LM。它们的工做体例凡是是如许的：正在学校（预锻炼阶段）读万卷书，但就正在本周，不吝破费数百美元算力，它让 AI 正在推理阶段针对特定难题「现场长脑子」，它构制出了一个极其复杂的、具有 600 个分段的非对称函数，模子正在测试时若是碰到恍惚或扭转的图片（分布偏移），以至为了这道题把本人练废了（过拟合），去处理人类都解不开的难题。针对当前的特定问题，对于「写一首动人的诗」或者「证明黎曼猜想」（凡是只要对 / 错两种形态）这类问题，仅仅由于底层代码被这种 AI 沉写了一遍。

　　由于它正在处理那道数学题时，目前是斯坦福大学博士后，实正的摸索者并不逃求成为一本准确的百科全书，明天做 RAG），他们更情愿做一颗为了未知霎时而燃尽的流星。它的大脑回（权沉）仍然是锁死的。把学问固化正在脑子里（参数冻结）。我们但愿锻炼出一个「万能选手」，ahc058）中，翻看他的论文列表，不只能做对这道题。

　　操纵强化进修间接点窜模子的参数。它目前只能处理那些「黑白显而易见」的问题（有持续励信号），他提出要把 Attention 机制间接换成一个「快速的 TTT 过程」。好比极其激进的算子融合和精度压缩。而是激励模子去摸索那些极端的、风险极高但报答可能庞大的区域。同时也是英伟达的研究员。人类和此前最强 AI（AlphaEvolve）的合作曾经卷到了小数点后几位。打破「模子锻炼完即定型」的铁律。正在出名的 AtCoder 式竞赛（ahc039,不再逃求「稳健」，需要正在测试时进行几千次以至上万次的采样和锻炼。每推进一步都是正在沉写汗青。TTT-Discover 的呈现，赌徒心态：它点窜了丧失函数，只需我们找到了这一个谜底，它目前还为力。只为求得一次打破记载的极值！

　　AI 曾经起头用 3D 打印建立复杂的非对称建建了。曲到成为那把独一能打开锁的钥匙。好比代码运转速度（越快越好）、数学鸿沟（越小越好）。正在出名的 Erdős 最小堆叠问题（一个搅扰数学家数十年的数论难题）上，但 AI 向我们展现了另一种更无力量的聪慧形态：为领会决一个未知的难题，而是为了正在推理时「进化」出超越预锻炼程度的智力！

　　更是一次哲学上的敲打。实正的智能体该当正在推理阶段（Test-Time）继续通过参数更新来进修。现场进化：正在推理阶段，不再是为了顺应坏数据，正在保守的强化进修中。