SLOT：测试时样本专属语言模型优化，让大模型推理更精准！

大语言模型（LLM）在复杂指令处理上常显不足，本文提出SLOT方法，通过轻量级测试时优化，让模型更贴合单个提示。实验显示，SLOT在多个基准测试中显著提升模型性能，为大模型推理优化提供新思路。

---

论文标题
SLOT: Sample-specific Language Model Optimization at Test-time
来源
arXiv:2505.12392v2 [cs.CL] + https://arxiv.org/abs/2505.12392

PS: 整理了LLM、量化投资、机器学习方向的学习资料，关注同名公众号 「 亚里随笔」 即刻免费解锁

文章核心

研究背景

大型语言模型（LLMs）在文本生成、理解等任务中展现出强大通用能力，但面对复杂指令时往往表现不佳，尤其当指令在训练数据中缺乏充分覆盖时，模型易出现格式错误或逻辑偏差。例如，Qwen2.5在处理含严格格式要求的推理问题时，常因训练数据中未涉及类似规范而生成错误答案。为提升模型对个体提示的响应精度，测试时缩放（Test-Time Scaling）策略通过分配额外计算资源优化推理，但现有测试时自适应（TTA）方法存在计算开销大、监督信号设计困难等挑战，难以在保持效率的同时实现模型对复杂指令的有效适配。

研究问题

1. 现有LLM在面对复杂指令时，因训练数据中相关样本不足，常无法正确理解和遵循指令要求，如格式规范等。

2. 测试时自适应（TTA）方法存在计算开销大的问题，在大规模模型上进行实例级更新成本高昂。

3. 为复杂LLM任务设计有效的监督信号是一大挑战，影响模型在测试时的优化效果。

主要贡献

1. 提出SLOT框架：这是一种新颖的测试时推理方法，通过在测试时进行少量优化步骤，更新轻量级样本专属参数向量，使模型能更精准地响应单个提示，与现有方法相比，无需对整个模型进行大量更新，参数效率高。

2. 设计轻量级参数更新机制：在输出头前的最终隐藏层添加样本专属参数向量$\delta$，通过缓存最后一层特征，避免了完整模型的前向和反向传播，大幅降低计算开销，实现高效自适应。

3. 广泛实验验证有效性：在多个基准和LLM上的实验表明，SLOT显著提升模型性能。例如，Qwen2.5-7B在GSM8K上准确率提升8.6%，DeepSeek-R1-Distill-Llama-70B在GPQA Diamond上取得70B级模型的SOTA准确率。

方法论精要

1. 核心算法/框架：SLOT框架包含提示阶段（Prompt Stage）和生成阶段（Generation Stage）。在提示阶段，初始化并优化样本专属参数$\delta$；生成阶段，重用优化后的$\delta$生成响应。

2. 关键参数设计原理：$\delta$是一个轻量级参数向量，维度为${\mathbb{R}}^{1\times d}$，通过在提示阶段最小化输入提示的交叉熵损失来优化。采用零初始化，确保初始时不影响基础模型，优化步骤数T通常设为3，学习率$\eta$为0.01，使用AdamW优化器。

3. 创新性技术组合：将提示本身视为监督训练样本，仅在输入提示上进行优化，使模型更好地与给定指令对齐；通过在最终隐藏层添加$\delta$来调制输出 logits，形成Logit Modulation Vector（LMV），增强推理相关令牌的概率，抑制无关令牌。

4. 实验验证方式：使用多种LLM，包括Qwen系列、Llama系列、DeepSeek系列等，在多个基准上进行实验，如GSM8K、GPQA Diamond、C-Eval、AIME24等。对比基线为原始模型，不进行测试时自适应，通过答案准确率评估性能。

实验洞察

1. 性能优势：Qwen2.5-7B在GSM8K上准确率从57.54%提升至66.19%，提升8.6%；DeepSeek-R1-Distill-Llama-70B在GPQA Diamond上准确率达68.69%，为70B级开源模型新纪录；Qwen-7B在C-Eval的Hard子集上提升8.55%。

2. 效率突破：SLOT的计算开销可忽略，与基线相比，5步优化仅增加7.9%的推理时间。生成阶段，由于仅添加轻量级向量，生成速度稳定，不受优化步骤数影响。

3. 消融研究：对优化迭代次数T和学习率η进行消融实验，发现SLOT对超参数相对不敏感。如DeepSeek-R1-Distill-Qwen-1.5B在AIME-24上，T=4、η=0.05或T=5、η=0.05时准确率最高达40.00%，比基线提升13.33%。