arXiv上这篇 Select-TTT 盯的是长上下文问答里一个很具体的问题：In-Place TTT 把所有文本块用同样的强度写进快参数，结果无关内容把和问题相关的信息冲淡了，作者说在真实的网页长上下文问答上，它原本的好处基本消失。

Select-TTT 的做法是不加参数、不要监督，直接从模型冻结的输出头读信号——看每个块的隐藏状态把多少概率分给了问题里的词，再用带温度的 softmax 换算成学习率倍率，只调写入强度，块并行那套计算不动。在两个基准、两个骨干模型上，长上下文问答都有稳定提升。

预印本，未见同行评审，提升幅度原文摘要没给。做长上下文 RAG 或长任务代理的人，这个思路值得看一眼：问题决定写什么，而不是照单全收。

$BTC