告别KV Cache锁，用长上下文权重优化持续学习大模型

首页

热心网友

转载

2026-01-04

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

编辑｜Panda

人类已经走上了创造 AGI（通用人工智能）的道路，而其中一个关键方面是持续学习，即 AI 能通过与环境互动而不断学习新的知识和能力。

为此，研究社区已经在探索多种不同的道路，比如开发能够实时更新状态的循环神经网络（RNN），或者试图通过极大的缓存空间来容纳海量历史。然而，真正的 AGI 或许不应仅仅被动地「存储」信息，而应像人类一样在阅读中「进化」。

想象一下你生命中的第一次机器学习讲座：你或许记不清教授开口说的第一个单词，但那场讲座留给你的直觉和逻辑，此刻正潜移默化地帮助你理解这篇复杂的论文。这种能力的本质在于压缩

近日，Astera 研究所、英伟达、斯坦福大学、加州大学伯克利分校、加州大学圣地亚哥分校的一个联合团队提出的TTT-E2E（端到端测试时训练）沿着这条 AGI 的必经之路迈出了重要一步。它彻底打破了传统模型在推理时静态不变的局限，让长上下文建模从一种「架构设计」进化为一种「学习问题」。

该方法可以在测试阶段通过给定上下文的下一个 token 预测持续学习，将读取的上下文信息压缩至权重参数中

论文标题：End-to-End Test-Time Training for Long Context论文地址：https://arxiv.org/abs/2512.23675代码地址：https://github.com/test-time-training/e2e

困难是什么？召回与效率的永恒博弈

论文开篇明确了当前长上下文建模的两难境地。

Transformer 的全注意力机制虽然在长文本上表现优异，但其推理成本随长度线性增长，这在处理 128K 甚至更长的上下文时会产生巨大的延迟压力。为了解决效率问题，业界曾转向循环神经网络（RNN）或状态空间模型（SSM，如 Mamba）。这些模型虽然拥有恒定的每 token 计算成本，但在处理超长文本时，性能往往会大幅下降，无法像 Transformer 那样有效利用远距离的信息。

这种性能下降的根源在于「压缩率」的固定

传统的 RNN 将无限的序列压缩进固定大小的状态向量中，这不可避免地会导致信息丢失。

于是，该团队思考：是否能找到一种方案，既能像 RNN 一样拥有恒定的推理延迟，又能像 Transformer 一样通过增加「存储空间」来维持长距离性能？

端到端的测试时训练（TTT-E2E）

TTT-E2E的核心思想是将模型在测试阶段（推理阶段）的行为定义为一个在线优化过程。

具体而言，当模型读取长上下文时，它不仅仅是在做前向传播，还在同步进行梯度下降。

这种方法基于这样一个逻辑：如果我们将上下文看作一份学习资料，那么模型在预测下一个 token 之前，可以先在已经读过的 token 上进行自监督学习。

通过这种方式，上下文中的信息就被编码进了模型的权重 W 中，而不是存储在外部的 KV Cache 里。这就像是在阅读一本书时，你不断根据新读到的内容修正自己的认知模型。

为了使这一构想在工程上可行且高效，团队引入了两大核心技术支撑。

首先是元学习（Meta-Learning）。传统的模型在预训练时并未考虑测试时的更新逻辑，这会导致训练与测试的脱节。TTT-E2E 通过外层循环（Outer Loop）优化模型的初始化参数，使得模型「学会如何学习」，即经过少量测试时梯度更新后，能达到最优的预测效果。

其次是架构的微调与滑动窗口的结合。该团队意识到，如果完全摒弃注意力机制，模型会丧失局部精确记忆能力。因此，TTT-E2E 采用了一种混合架构：使用一个固定大小（如 8K）的滑动窗口注意力（SWA）来处理短期记忆，确保局部逻辑的严密；而对于超出窗口的长期记忆，则交给 TTT 更新后的 MLP 层来承担。这种设计模仿了生物记忆系统的层级结构：滑动窗口如同瞬时感官记忆，而动态更新的权重则如同长期经验。

为了平衡计算开销，团队在实现细节上也极具匠心。他们并非更新模型的所有层，而是仅针对最后四分之一的 Transformer 块进行 TTT

同时，他们为这些块设计了双 MLP 结构，一个保持静态以锁定预训练知识，另一个则作为「快速权重」在测试时动态更新，从而解决了知识遗忘的问题。

详细的数学描述请参阅原论文。

实验结果：性能与速度的双重飞跃

实验数据证明了 TTT-E2E 的强大潜力。研究团队在 3B 参数规模的模型上进行了系统性扩展实验。

在性能扩展性方面，TTT-E2E 展现出了与全注意力 Transformer 几乎一致的性能曲线。

随着上下文长度从 8K 扩展到 128K，其他 RNN 基准模型（如 Mamba 和 Gated DeltaNet）的测试损失在达到 32K 之后开始显著回升，这意味着它们无法处理更长的序列。而 TTT-E2E 的损失函数则持续下降，始终保持着对 Transformer 的追赶态势，甚至在某些指标上更优。

在推理效率方面，TTT-E2E 展现了压倒性优势。

由于它不需要存储海量的 KV Cache，其推理延迟不随上下文长度增加而改变。在 128K 上下文的测试中，TTT-E2E 的处理速度比全注意力 Transformer 快了 2.7 倍。

这意味着开发者可以在不牺牲模型表现的前提下，极大地降低长文本应用的响应时间。

然而，研究也坦诚地指出了天下没有免费的午餐。尽管推理极快，但 TTT-E2E 的训练成本目前仍然较高。由于训练时需要计算「梯度的梯度」（二阶导数），其在短上下文下的训练速度比传统模型慢得多。

不过，该团队提出，可以通过从预训练好的 Transformer 节点开始微调，或者开发专门的 CUDA 内核来弥补这一短板。

此外，在大海捞针（NIAH）这类极端依赖精确召回的任务中，全注意力模型依然是无可争议的霸主。这进一步印证了作者的观点：TTT 的本质是压缩和理解，而非逐字的暴力存储。