تعتبر الإجابة على الأسئلة ضمن سياقات طويلة من أكبر التحديات التي تواجه نماذج اللغة الصغيرة (Small Language Models)، حتى مع توفر الأدلة اللازمة للإجابة. توفر الأساليب التقليدية لاسترجاع المعلومات داخل السياق (Within-Context Retrieval) القدرة على تحديد أجزاء الأدلة المهمة، لكن تنحصر نتائجها عند مستوى الإدخال مما يحد من قدرة النموذج على تخصيص الانتباه بشكل فعّال.

هنا يأتي الابتكار مع تقديم إطار عمل EASE-TTT (Evidence-Aligned Selective Test-Time Training)، الذي يُعزز عملية التدريب في أوقات الاختبار من خلال دمج الأدلة المختارة لتحسين دقة توفير المعلومات.

تعتمد EASE-TTT على تحويل قطع الأدلة المُعينة إلى أهداف إشرافية تعتمد على الانتباه (Attention Supervision Target) تساهم في تعديل كيفية تخصيص الانتباه ضمن السياقات الطويلة. بدلاً من استبدال السياق الكامل بالأدلة المسترجعة، يعمل هذا الإطار على توجيه التكيف الجانبي (Query-Side Adaptation) باستخدام الأهداف الناتجة، مما يُتيح للنموذج توليد الإجابة النهائية باستخدام السياق الأصلي.

أجريت اختبارات على ست مهام من LongBench للذكاء الاصطناعي، وأظهرت النتائج تفوق تقنيات EASE-TTT عند مقارنتها بأساليب الاسترجاع العادية، مما يدعم إمكانية التكيف الفعّالة في أوقات الاختبار للإجابات السياقية الطويلة.