综述: 反馈驱动的测试时智能如何在推理中自我改进

摘要

随着推理不再只是固定训练模型的静态执行，越来越多研究探索让 AI 系统在部署期间利用测试时信息和额外计算即时改进行为。该综述提出“反馈驱动的测试时智能”（TTI）作为统一视角，关联利用测试时信号修改模型状态的测试时适应、测试时学习，以及借助更多采样和工具使用等推理时资源改进预测的测试时扩展。文章梳理三者的差异及其在混合系统中日益增加的重叠，并评述其在视觉、语言、多模态学习、生成模型、机器人和医疗保健中的方法范式、代表性应用与开放挑战，旨在为测试时自我改进 AI 的研究提供概念基础和路线图。