试想一下，如果你参加考试时，可以在答题前花几秒钟「适应」一下这道具体的题目，你的表现会不会更好？
这正是西湖大学研究团队在最新论文中提出的核心思想。他们开发的 SLOT（Sample-specific Language Model Optimization at Test-time）方法，把每个输入 prompt 本身当作一份「迷你训练数据」，让模型在生成答案前先「学习」理解这个具体问题。
更令人惊讶的是，这个方法简单到离谱：
- 只需要优化一个轻量级参数向量 delta（仅修改最后一层特征）
- 只需要几步 (比如 3 步) 梯度下降
- 计算开销几乎可以忽略不计（仅增加 7.9% 推理时间）
- 完全即插即用，无需修改原模型
- 论文标题：SLOT: Sample-specific Language Model Optimization at Test-time
- 论文地址：https://arxiv.org/pdf/2505.12392
- GitHub地址：https://github.com/maple-research-lab/SLOT
效果炸裂
多项基准测试刷新纪录
即便拿最有挑战性的高性能基线做比较对象，实验结果令人瞩目 (所有 log 都在开源 github 里)：
- Qwen2.5-7B 在 GSM8K 数学推理任务上准确率从 57.54% 飙升至 66.19%，提升 8.65 个百分点。
- DeepSeek-R1-Distill-Llama-70B 在 GPQA Diamond 上达到 68.69%，创下 70B 级别开源模型新纪录
- 在高难度的 AIME 2024 数学竞赛题上，多个模型实现 10% 以上的提升
核心创新
把 Prompt 当作「测试时训练样本」
传统的 LLM 在面对复杂或特殊格式的指令时经常「翻车」，它可能会忽略格式要求或给出错误答案。
SLOT 的解决方案优雅而简单：针对单独一个问题，直接在最后一层特征上加一个 delta 向量，并在问题 prompt 本身上最小化交叉熵损失即可。
由于仅仅需要在最后一层上优化一个加性的 delta 参数向量，每个问题只需要经过一次网络推理。通过把输入给最后一层的中间结果进行缓存，优化 delta 的过程几乎不需要增加计算开销。
由于方法十分简单，任何伪代码公式都多余，这里给出如何把 SLOT 应用于你的工作的 transformers 版本代码（vLLM 版本也已开源）。
以 modeling_qwen.py 里 Qwen2ForCausalLM 模型为例，研究团队在 forward 函数里获得 hidden_states 之后插入这段代码：首先初始化一个全 0 的 delta 向量，加在 last hidden states 上；然后用当前的 prompt 作为训练数据，delta 作为可学习参数，以交叉熵损失优化，得到 sample-specific 的 delta 参数；之后即可用优化好的 delta 生成后续 token。
为什么如此有效？
深入分析揭示秘密
研究团队通过分析发现，SLOT 优化后的 delta 会显著调整输出词汇的概率分布：
- 增强的词汇：reasoning、think、thinking 等推理相关词汇
- 抑制的词汇：数字符号（0-9）、模态动词（should、will）、结束符 </s>
这意味着 SLOT 在鼓励模型「深思熟虑」，避免过早结束推理或陷入表面的模式匹配。
亮点在于：不同于 SFT 或者 RL 的微调算法，该方法无需：
- 修改模型架构
- 额外的训练数据
- 复杂的采样策略
- 昂贵的计算资源
广泛适用
从 1.5B 到 70B，从基础模型到推理专家
SLOT 在各种规模和类型的模型上都展现出稳定的提升：
- Qwen 系列：1.5B 到 32B 均有提升。
- Llama 系列：包括 Llama-3.1。
- DeepSeek-R1 系列：即使是已经专门优化过推理能力的模型，仍能获得显著提升。
特别值得注意的是，在最具挑战性的任务上，SLOT 的提升最为明显：
- C-Eval Hard 子集：+8.55%
- AIME 2024：部分模型提升超过 13%
- GPQA Diamond: 由 65.66 提升到 68.69 (开源 sota 级别)
结语
在大模型时代，当所有人都在追求「更大、更强」时，SLOT 用一个简单得「离谱」的想法证明：有时候，让模型在回答前先「理解」一下问题，就能带来惊人的效果。
