一句话定义

测试时自适应（Test-Time Adaptation，TTA） 指模型部署上线之后，在推理阶段用现场采集到的数据做一点点在线调整，让模型适应当下的环境和数据分布，而不是把整个模型重新训练一遍。

调整的对象通常不是主干权重，而是那些「跟数据分布强相关、改起来又便宜」的部分，比如归一化层的统计量、量化器的缩放系数。

它解决什么问题

模型训练时见到的数据，和它上线后遇到的画面，很少完全一致。门店里的偏差来源集中在三处：

漂移来源 具体表现
光照 白天自然光、夜间射灯、生鲜区冷柜灯、改过灯的收银台
摄像头 型号、安装高度与俯角、镜头油污与老化
商品 换包装、换规格、季节品、临时堆头

这类偏差叫分布漂移（Domain Shift）。特点是：模型参数没坏，但它看到的输入「不在训练时见过的范围里」。

量化会让这个问题更明显。量化把每一层的数值范围固定成有限的格子，输入一旦超出标定范围，就被截断或压到最边上的格子——也就是饱和。离线标定用的范围越窄，现场偏离时的退化越快。

关键做法

  • 在线更新归一化统计量：用现场输入的均值方差替换训练时固定的那一套。改动小，几乎不增加计算。
  • 按现场分布重新校准量化器：重定缩放系数与零点，而不是沿用离线校准集的结论。
  • 无标注自适应：现场没有人工标注，只能靠模型自身的置信度、预测熵或多次输入的一致性来挑样本、定方向。
  • 单遍、无状态：只在当前这批数据上调整，不缓存历史样本、不回传梯度。这对端侧很关键——设备没有空间存历史数据，也不该把门店画面留下来。

用不上的时候（也是它的风险）

  • 样本太少、噪声太大时，自适应会把模型带偏。持续拿低质量数据自我调整，可能出现「越调越自信、越调越错」的崩塌。
  • 它替代不了重新训练。如果是一整类新品从没在训练集里出现过，自适应救不回来，还是得补数据。
  • 必须留退路：现场调整要有记录和一键回滚，否则出问题时无法判断是模型变了还是环境变了。
  • 有标注就优先用标注：能定期采一批真实样本、人工确认后做增量训练，比纯无监督自适应可靠得多。

参考

arXiv 论文 Test-Time Adaptation of Quantized ViTs via Single-Pass Quantizer-Aligned Recalibration（编号 2610.08358），讨论的正是量化视觉 Transformer 在部署之后，如何用单遍、与量化器对齐的方式做重新校准。

延伸阅读

相关词条

火眼识别提供端侧视觉引擎与设备管理平台，相关方案见 火眼识别官网。