在模型开发领域，“新扩展轴”往往意味着一次能力跃升。从扩大参数规模到扩大数据规模，行业每开辟一条新扩展路径，都会带来模型效果的显著提升。测试时训练（Test-Time Training）正被视为一个极具吸引力的新扩展轴：它不再局限于训练阶段的大规模参数更新，而是尝试在推理或测试阶段根据输入动态调整模型，使模型具备更强的适应能力。最新研究展示了若干令人兴奋的技术方向，例如在测试时对部分参数或上下文进行在线更新，以帮助模型处理分布外样本和复杂任务。不过，这一路径仍面临核心瓶颈：持续学习问题尚未解决。推理阶段的在线更新可能引发灾难性遗忘、训练不稳定和额外计算开销，如何在性能提升与部署成本之间取得平衡，是该技术走向大规模应用的关键。