Agentic-TTT：为测试时训练学习测试时策略

arXiv 论文提出 Agentic-TTT，把各类 test-time training（TTT）流程封装为可调用工具，将积累的技能视为演化的部署环境，并用决策带来的效用增益训练一个测试时策略，由该策略决定何时做 TTT、调用哪种算法、能否复用已有技能。论文称在其基准上，该方法相比骨干模型效用接近翻倍，并学会在效用与算力之间取舍，且能泛化到训练中未见过的领域。

此前 TTT 只在 IMO 竞赛等预设场景有效，选错算法会浪费测试算力甚至损害模型表现；该工作把“是否、用哪种、能否复用”变成可学习的决策，使模型层面的自我改进从固定流程转向自主调用，并尝试跨领域泛化。

原 TTT 用测试输入派生信号更新 LLM 参数，把部署经验写成参数更新。Agentic-TTT 不直接改参数，而是把 TTT 过程做成可调用工具，把技能库当作不断变化的部署环境，以决策实际带来的效用增益作为训练信号，训练策略在效用与算力之间做权衡，从而缓解单一算法不适配的问题。

对产品与研发的直接含义是：可以把测试时自适应做成按需调用的能力，而不是默认开启，从而降低无效推理开销；同时需要为这类决策配套监控，避免策略误判导致性能下降。若效用提升可复现，模型在特定任务上的持续改进可部分在部署侧完成。

• 在推理服务中增加一个 TTT 调用决策模块，按任务置信度与预估算力成本决定是否启用，并记录每次决策的效用与开销。
• 把已验证的 TTT 技能做成可版本化的工具库，让不同任务复用，而不是每次重训新流程。
• 在评测流水线中加入算法选择与算力预算的联合指标，避免只看准确率而忽略测试时算力消耗。

• 基准的具体构成、规模与对比基线尚未在证据中说明，效用翻倍的适用范围待确认。
• 策略在真实业务分布和长尾任务上的稳定性、误判代价尚无数据。
• 是否开源代码、模型与可复现实验流程未提及。
• 与已有推理时扩展或记忆机制的相对成本收益未给出。