o1 不是通向大模型推理的唯一路徑！
MIT 的新研究發現，在測試時對大模型進行訓練，可以讓推理水平大幅提升。
在挑戰超難的 ARC 任務時，準确率最高可提升至原來的 5.83 倍。
這樣的表現不僅優于 GPT-4 和 Claude，如果與其他推理方法相結合，還能超越人類的平均水準。
OpenAI o1 團隊成員Noam Brown表示，o1 的大規模計算可能不是最好的方法，很高興看到有學者在提高推理能力上探索新的方法。
在測試中訓練模型
不同于傳統的先訓練後測試模式，測試時訓練（Test-Time Training，TTT）在部署階段面對新的測試樣本時，不直接用訓練好的模型去推理。
在推理之前，測試樣本自身攜帶的信息，會通過快速的訓練過程被用于調整模型參數。
總體來說，TTT 過程中一共有三個關鍵階段——訓練數據生成、模型适應範式設計以及推理階段的策略。
數據生成的核心是将測試任務中蘊含的輸入輸出對關系，通過數據增強的方式最大限度地利用，可具體分爲兩個步驟。
首先是基于 leave-one-out 構造新的任務。
對于包含 K 個輸入輸出對的測試任務，依次将每個樣本留出作爲測試樣本，其餘 K-1 個作爲訓練樣本 , 由此構造出 K 個新的 TTT 訓練任務。
這樣就可以從一個測試任務出發，構造出 K 個結構一緻但内容互補的新任務，從而擴充了 TTT 訓練數據。
在此基礎上，作者還進行了數據增強，主要包括對輸入輸出施加各類幾何變換，以及打亂訓練樣本對的順序。
經過這一步，TTT 訓練集的規模可以得到顯著擴大。
整個 TTT 數據構造過程可高度自動化，不依賴人工标注。
利用構造好的 TTT 數據集，就可以對預訓練好的語言模型進行測試時訓練。
考慮到測試時的資源限制，作者采用了參數高效的 LoRA，爲每個測試任務學習一組獨立的 adapter 參數，附加在預訓練模型的每一層之上，通過一個低秩矩陣與原始權重相乘起到調節作用。
過程中還額外加入了對所有前綴序列的預測，目的是通過在各種長度的演示樣本上都計算損失，鼓勵模型盡早地從少量信息中總結出抽象規律，從而提高魯棒性。
最後，爲了實現 TTT 效果的最大化，作者在推理階段應用了數據增強和集成學習策略。
推理過程中，先利用一系列預定義的幾何變換算子（如旋轉、翻轉等）擴充原始輸入，生成若幹等價視角下的輸入變體。
之後将每個變體輸入并行地送入 LoRA-tuned 模型，獨立完成預測，然後再對齊和還原到原始輸入空間，由此得到一組成對的預測。
在成對預測的基礎上，通過分兩層投票的方式完成集成融合：
第一層在每種變換内部進行投票，選出置信度最高的 Top-3 個預測 ;
第二層在不同變換的 Top-3 預測之間進行全局投票，選出最終的 Top-2 作爲輸出。
這一推理策略，既通過數據增強引入了輸入的多樣性，又用分層投票的方式對不同來源的預測進行了結構化的組合，進一步提升了 TTT 方法的效果。
ARC 任務準确率最高升至 6 倍
爲了評估 TTT 方法的效果，研究團隊以 8B 參數的 GPT-3 作爲基礎模型進行了測試。
如果不使用 TTT 僅進行微調，模型在 ARC 數據集上的準确率隻有 18.3%，加入 TTT 後提升到 47.1%，增長率達到了 157%。
另外，作者還從 ARC 數據集中随機選擇了 80 個任務作爲子集進行了測試。
測試發現，TTT 方法對于 1B 模型的提升效果更加明顯，調整後模型的準确率接近調整前的 6 倍。
并且在調整前後，1B 和 8B 兩個規模的模型之間的相對差距也在縮小。
進一步地，作者還将 TTT 方法與之前在 ARC 任務上取得優異成績的BARC（Bootstrapping Approach for Reward model Construction）方法進行了比較和結合。
具體來說，作者首先獨立運行這兩個系統，得到它們在每個測試任務上的輸出。
如果兩者輸出完全一緻，則直接認爲推理結果是正确的；
如果輸出不一緻，則看 BARC 是否能夠生成确定的、唯一覆蓋所有測試樣本的解題程序，若是則認爲 BARC 的輸出更可靠；
反之，如果 BARC 生成了多個候選程序但無法确定最優解，或者幹脆無法生成任何滿足約束的程序，則認爲 TTT 的輸出更可靠。
兩種方式配合使用後，取得了 61.9% 的 SOTA 成績，已經超過了人類的平均水平。
One More Thing
根據作者在推文中的介紹，在這篇論文發布前，一個叫做 MindsAI 的團隊已經發現使用了相同的技術。
利用 TTT 技術，該團隊已經用 58% 的正确率取得了 ARC 挑戰的第一名。
作者的論文發布之後，MindsAI 團隊領導者 Jack Cole 也發文進行了祝賀：
很高興，我們掀起了這場對 TTT 的興趣風暴。
同時，Jack 還推薦了另一名研究 TTT 的學者——斯坦福大學華人博士後Yu Sun，表示他的研究值得被關注。
Sun 的個人主頁顯示，他針對測試時訓練進行了大量研究，相關成果入選過 ICML、NeurIPS、ICLR 等多個頂級會議。
論文地址：
https://ekinakyurek.github.io/papers/ttt.pdf
