面向大语言模型的查询条件测试时自训练

大语言模型通常以固定参数部署，虽可通过增加推理计算量提升性能，但难以纠正模型误解或适应特定查询结构。测试时优化虽能更新参数，但现有方法依赖外部数据或缺乏查询特异性。本文提出查询条件测试时自训练（QueST）框架，利用输入查询隐含信号构建问题 - 解对，作为监督信号在测试时进行参数高效微调。该方法无需外部数据即可实现查询特异性适配。在七个数学推理基准及 GPQA-Diamond 科学推理基准上，QueST 均优于现有测试时优化基线，证明了其有效性。