TTME, TTT'ye göre daha az hesaplama ile daha iyi performans gösteriyor

Yepeng Liu, arXiv'de cs.AI ve cs.LG konu başlıkları altında 26 Ekim 2026 tarihinde paylaştığı makalede, Test-Time Memory Evolution (TTME) adlı yeni bir test-zamanı uyarlama yöntemini sunuyor. Makalenin arXiv kimliği 2610.32046 ve DOI'si 10.48550/arXiv.2610.32046 olarak belirtilmiş; DataCite üzerinden arXiv-issued olarak kayıt süreci devam ediyor.

TTME'nin çalışma prensibi ve karşılaştırması

TTT çerçeveleri, açık ağırlıklı büyük dil modellerinin bilimsel keşif görevlerinde sınır modellerle desteklenen çıkarım-yalnızca çerçevelerin ötesine taşıyarak üstün performans göstermesini sağlamıştır. Ancak bu süreçte keşif sırasında çevrimiçi ağırlık güncellemeleri için ek hesaplama maliyeti ortaya çıkıyor ve bu da daha büyük modellere ölçeklendirmeyi zorlaştırıyor. TTME ise model ağırlıklarını güncellemeden deneyi distile ederek harici belleği sürekli güncelleyerek sonraki keşfi yönlendiriyor.

Beş matematiksel görevde elde edilen sonuçlar

TTME ve TTT aynı keşif çerçevesi altında, yalnızca test-zamanı uyarlama yöntemi değiştirilerek karşılaştırılmış. Değerlendirilen tüm beş matematiksel görevde TTME, TTT'yi outperforming etmiştir. Hesaplama maliyeti açısından TTME, TTT'ye göre FLOPs cinsinden %82,8-%84,6 ve çalışma süresinde %47,7-%58,4 oranında azalma sağladı. Makalenin dosya boyutu 4,793 KB olarak kayıt edilmiş.

Neden önemli?

Test-time training (TTT), büyük dil modellerinin bilimsel keşifteki performansını artıran ancak ağırlık güncellemeleri nedeniyle yüksek hesaplama maliyeti getiren bir çerçevedir. TTME'nin model ağırlıklarını güncellemeden harici bellek üzerinden uyarlama yapması, özellikle daha büyük modellere ölçeklendirme yaparken hesaplama verimliliği açısından önemli bir alternatif sunuyor.

Kaynak: arXiv — Artificial Intelligence

Temsili görsel: Pexels / Pixabay