近期的测试时训练（TTT）框架让开放权重的大语言模型（LLM）在科学发现任务上超过了仅推理的前沿模型。然而，TTT 在发现过程中需要在线更新权重，导致计算成本显著提升，尤其在扩展到更大模型时尤为关键。
为此我们提出了一种高效的测试时适应方法——测试时记忆演化（TTME），它以即插即用的方式在测试阶段更新外部记忆，通过蒸馏经验来指导后续发现，而不修改模型权重。
在保持相同发现框架的前提下，仅替换测试时适应手段，对 TTME 与 TTT 进行对比实验。结果显示，TTME 在全部五个数学任务上均优于 TTT，同时将 FLOPs 降低了 82.8%‑84.6%，运行时间缩短了 47.7%‑58.4%。
这些实验表明，TTME 在所评估的发现场景中是一种既有效又计算友好的 TTT 替代方案。
点评