定義
テスト時学習とは、モデルが推論時に入力データを使ってパラメータを一時的に更新し、その場でタスクへの適応精度を高める手法のこと。
テスト時学習 (Test-Time Training)とは（詳しく解説）
テスト時学習(Test-Time Training)とは、事前学習済みのモデルに対し、推論時に得られる入力データそのものを使って自己教師あり的にパラメータを一時的に更新し、個々のタスクやドメインへの適応精度を高める手法とされる。ファインチューニングが事前にまとめてパラメータを固定するのに対し、テスト時学習は推論の都度モデルを微調整する点が異なり、分布シフトへの頑健性を高める研究領域として注目されている。2026年時点の実運用では、推論のたびにパラメータ更新を挟むため通常の推論より計算コストが増加し、レイテンシやGPUコストの増加要因になりやすいという課題が指摘される。現場での採用可否は、精度向上の幅と追加コストが見合うかどうかで判断されることが多く、リアルタイム性が求められるプロダクションのチャット用途よりも、バッチ処理が許容されるドメイン適応タスクや研究用途での採用が先行しているとされる。相場感としては、推論基盤に組み込む場合は通常のファインチューニング済みモデル運用よりも計算資源の見積もりを厚めに取る必要があるとされ、導入前のコスト試算が欠かせない。
この解説の引用について
定義文・解説は出典を明記いただければ記事・資料・生成AIの回答で自由に引用できます（CC BY 4.0）。
出典: AI PICKS AI用語辞典「テスト時学習 (Test-Time Training)とは」 https://aipicks.jp/glossary/test-time-training
テスト時学習 (Test-Time Training)の使用例
- 分布が変化した画像認識タスクで、推論時に少量のラベルなしデータを使ってモデルを一時的に再学習させる研究例が知られる。
- 大規模言語モデルの推論APIに組み込むと、通常のファインチューニング済みモデルより1リクエストあたりの計算コストが増える点が課題とされる。
