在暗处适应：面向黑盒模型的高效稳定测试时适应
机器学习
2026-04-20 v1 计算机视觉与模式识别
摘要
仅可通过 API 访问的黑盒模型的测试时适应 (TTA) 仍是一个很大程度上未被探索的挑战。现有方法如事后输出精调提供的适应能力有限，而零阶优化 (ZOO) 虽能实现输入空间适应，但在无监督 TTA 设置中面临高查询成本和优化挑战。我们提出了 BETA（黑盒高效测试时适应，Black-box Efficient Test-time Adaptation），这是一个通过采用轻量级局部白盒引导模型创建可处理梯度路径来解决这些局限性的框架。通过预测协调技术结合一致性正则化和面向提示学习的过滤，BETA 实现了稳定适应，无需额外的 API 调用，且在标准推理之外仅有可忽略的延迟。在 ImageNet-C 上，BETA 在 ViT-B/16 上实现了 +7.1% 的准确率提升，在 CLIP 上实现了 +3.4% 的提升，超越了包括 TENT 和 TPT 在内的强大白盒和灰盒方法。在商业 API 上，BETA 以低 250 倍的成本实现了与 ZOO 相当的性能，同时保持实时推理速度，确立了其作为现实世界黑盒 TTA 的实用高效解决方案的地位。
引用
@article{arxiv.2604.15609,
title = {Adapting in the Dark: Efficient and Stable Test-Time Adaptation for Black-Box Models},
author = {Yunbei Zhang and Shuaicheng Niu and Chengyi Cai and Feng Liu and Jihun Hamm},
journal= {arXiv preprint arXiv:2604.15609},
year = {2026}
}
备注
Third Workshop on Test-Time Updates (Oral)