SSI公司由伊利亚创办，估值320亿美元，将推出首个模型，采用测试时训练技术，让AI在推理中实时学习并更新权重，实现“边干边学”。该技术旨在提升样本效率，减少算力依赖，但面临安全挑战。若成功，将颠覆现有AI范式，使静态模型过时。

RoboTTT将机器人基础模型的视觉-运动上下文扩展至8K时间步，通过测试时训练更新快速权重，在不增加推理延迟下提升性能。相比单步基线，任务性能提高87%，能完成五分钟十阶段装配任务，并支持一次性模仿和即时策略改进，表明上下文长度是机器人模型的新扩展维度。

麻省理工学院的研究人员提出了一种“测试时训练”方法，通过临时更新大型语言模型（LLMs）的参数，显著提高其在复杂推理任务中的准确性，最多可提升六倍。这种方法结合上下文学习，使模型在医疗诊断等需要逻辑推理的应用中更具灵活性。研究表明，更新模型参数能有效提升性能，未来目标是开发能够自动选择最佳学习策略的LLM。

OpenAI的下一代模型质量提升受到高质量数据减少的限制，Scaling Law可能不再适用。研究者提出了测试时训练（TTT）方法，显著提升了模型在抽象推理任务中的表现，挑战了传统依赖符号逻辑的假设。