SSI 押兩年的第一把劍：TTT 如何讓模型在部署後改寫自己的權重

重點摘要

• 2026 年 8 月 13 日，X 使用者「三只草莓」爆料，SSI 正在探索基於 TTT（Test-Time Training，測試時訓練）的小型推理引擎，模型在解題過程中直接更新部分權重；據稱當前版本最快本月向少數使用者開放，下一代版本準備擴大 10 倍規模。
• 2026 年 7 月 27 日，NVIDIA 宣佈與 SSI 長期戰略合作並投資（路透社報導金額約 50 億美元），向其提供下一代 Vera Rubin 系統，SSI 算力估計增加約 10 倍；NVIDIA 在公告中罕見提及，已接觸 SSI 兩年來嚴密保密的研究路線，並決定推動其進入下一階段。
• 上述模型細節、8 月發布時間表和規模 10 倍均為「三只草莓」單一爆料，SSI 尚未公開任何確認；同時流傳「本月可能又不發」的反向傳言，兩方說法皆未經第三方查證。

2026 年 8 月 13 日，X 帳號「三只草莓」爆料，讓 Ilya Sutskever 和他幾乎淡出大眾視野兩年的公司 SSI（Safe Superintelligence）再度成為 AI 圈焦點。據其描述，SSI 正在探索一種基於 TTT（Test-Time Training，測試時訓練）的小型推理引擎：模型先用專門整理的資料學習「如何學習」，並在解題時更新部分自身權重，即使規模不大，也足以和更大規模訓練的模型競爭。他在評論區進一步補充，當前版本最快本月向少數使用者開放，下一代版本正準備把規模直接擴大 10 倍。幾乎同一時間，另一則傳言說本月可能又不發了。SSI 沒有發出任何官方說明。

SSI 押注 TTT 技術試圖打破訓練與推理的邊界，讓模型在部署後透過即時更新權重實現持續學習，這不僅挑戰了主流的外部工程鷹架路線，更將 AI 競爭的終局引向安全可控的元學習能力。

TTT 是什麼？它如何把訓練與推理之間那條線抹掉？

現在大多數語言模型的工作方式切成兩段：先訓練、後推理，兩件事不交疊。預訓練結束後，模型的權重就固定了；部署之後丟給它任何上下文，它都只能「看」，不能「學進去」。TTT 乾脆抹掉這條界線：模型在推理時直接拿眼前的資料繼續學習，根據預測誤差調整內部狀態，甚至直接改寫一部分參數。

「三只草莓」特別提到了論文 "End-to-End Test-Time Training for Long Context"（TTT-E2E），這篇論文提供了一個具體的技術路徑。傳統長上下文模型把前文保存在上下文視窗裡，每次生成時再回去查找，前文本質上是一張隨時翻閱的作弊小抄，模型讀完之後還是原來那個模型。TTT-E2E 把整段上下文當成訓練資料，模型在讀取過程中持續做下一個 Token 預測，把讀到的資訊真正壓進自身的權重。讀完之後，模型改變了，它把這批內容「消化」進去，而不只是放在口袋裡帶著走。這概念更接近人腦：經歷一件事後調整神經連結，下次遇到類似問題時，大腦已經不同了。

Ilya 為什麼押這條路？他的元學習論從哪裡來？

SSI 為什麼走這個方向？最直接的線索是 Ilya 在 2025 年 11 月 Dwarkesh Patel 播客上的發言。他直接點出，「AGI」和「預訓練」兩個詞把整個行業帶偏了，因為人不是生來就掌握所有通用智能，真正依靠的是持續學習。他設想中的超級智能，像一個極其聰明、求知欲旺盛的 15 歲少年，懂的不算多，卻能在部署之後學習程式設計、醫學和各種工作，在一次次試錯中繼續成長。這個設想的技術含義很清楚：SSI 要造的不是預訓練結束後就無所不知的機器，而是一個能學會任何工作的心智。

這套設想帶有明顯的元學習（meta-learning）色彩：模型不只要掌握某項技能，更要學會「如何學習新技能」。Ilya 當時沒有提到 TTT 這個詞，但指向同一個問題：模型能不能在部署之後，繼續改變自己？TTT 把這個問題從哲學變成機制，把「持續學習」從抽象目標，變成推理時真實發生的參數更新。

2026 年 7 月 27 日，NVIDIA 的公告從另一個角度提供了佐證。NVIDIA 罕見地在公告中說明，SSI 過去兩年一直在悄悄推進一條新的研究路線，NVIDIA 接觸到這項嚴密保密的研究後，決定推動它進入下一階段。合作內容包括長期戰略投資（路透社報導金額約 50 億美元）以及提供下一代 Vera Rubin 系統，SSI 的算力估計增加約 10 倍。Ilya 本人的表態是：「是時候擴大 SSI 了。」NVIDIA 罕見驗牌、算力大幅增加、創辦人公開表態，三件事疊在一起，讓「三只草莓」的爆料聽起來不完全是空穴來風。

TTT 和 Agent、Context Engineering 的本質差異是什麼？

過去一年，業界試圖讓模型更聰明的主流路線是 Agent Harness 和 Context Engineering：用工具調用、記憶模組、外部資料庫搭外部鷹架，模型看到更多資訊、調用更多工具。這條路預設模型本身不變，純靠工程手段補足缺點。上下文可以越寫越長，工具可以越掛越多，但核心權重固定的那個模型始終在那裡。

TTT 選的是另一條。它不靠外部鷹架，模型本身在解題過程中直接改變自己。長期來看，這兩條路積累出的能力差距會越拉越大：外部鷹架的上限受工程複雜度和上下文大小約束；TTT 理論上讓每次推理都成為一次學習機會，部署後的模型持續積累。如果這條路能規模化，靠工程堆疊上下文的競爭者會發現，兩者起點假設完全不同，再怎麼追也趕不上。對正在押注 Context Engineering 的工程師和創業者來說，這個差異值得放在架構選擇的前提裡想清楚。

若路線成立，風險卡在哪裡？

模型能在部署後改寫自己，是 TTT 最誘人、也最難解的工程挑戰。最直白的風險是：模型可能學偏，更新了不該更新的部分，或是把原有能力遺忘。2016 年，微軟聊天機器人 Tay 上線不到 24 小時，就在使用者誘導下開始輸出攻擊性內容，被迫緊急下線。Tay 的機制和 TTT 不同，但兩者暴露的是同一個核心難題：允許持續學習的系統，安全邊界在哪裡？系統必須定出哪些參數能更新、更新幅度多大，甚至建立回滾機制，這些細節決定了這條路能不能安全上線。

「三只草莓」在評論區說 Ilya 已解決這個問題，但這句話遠遠稱不上是證據，更像一句無法驗證的傳言。SSI 這個名字裡的 S 代表 Safe，不只是 Super。如果 SSI 真想造一個部署之後不斷成長的超級智能，「讓它學會學習」只解決了一半，剩下那一半，讓它在學習過程中保持安全，才是讓這條路真正成立的工程關卡。安全設計在這裡不是口號，而是硬性的工程需求。

TTT 這條路不是新概念，但 SSI 選擇把它當核心押注兩年、NVIDIA 罕見主動接觸並驗牌、Ilya 以元學習論作為理論底座，三件事疊在一起，讓這次爆料的份量超過一般傳言。目前看來，這條路 SSI 已經悄悄走了兩年，而且 NVIDIA 驗過牌了。若 8 月真的有早期版本對外開放，接下來最值得盯的，不是基準測試分數，而是 SSI 如何在公開文件中說清楚安全機制的設計。

常見問題

TTT（Test-Time Training）和傳統微調（fine-tuning）有什麼不同？
傳統微調在部署前完成，用準備好的資料集離線調整模型，完成後權重固定。TTT 發生在推理過程中，模型拿它正在解決的那個問題的資料即時更新自身部分參數，不需要離線訓練流程，每次推理本身就是一次學習機會。

NVIDIA 投資 SSI 約 50 億美元是否已確認？
路透社報導了這個金額，但 NVIDIA 和 SSI 的正式公告只確認了長期戰略合作和 Vera Rubin 系統的供應，具體投資數字沒有出現在雙方官方聲明中，屬於媒體引述而非第一手公開資訊。

SSI 的模型什麼時候會公開？
「三只草莓」說當前版本最快 2026 年 8 月向少數使用者開放，但同時流傳「本月可能又不發」的反向傳言。SSI 官方沒有公開任何發布時間表，兩則說法目前均未得到確認。