随着大模型在通用任务中取得了显著进展，如何让这些模型在面对特定领域任务时依然能保持高效的性能，成为当前人工智能研究中的关键挑战。尤其是在垂直领域任务中，传统的训练方法往往面临领域差异与数据稀缺的问题，因此，如何在推理阶段实现高效的领域适应，是提升模型实际应用效果的重要方向。本讲座将围绕测试时适应（Test-time Adaptation, TTA）展开讨论，探索如何结合大模型的通用先验知识与特定领域信息，通过推理阶段的动态调整，实现了模型的快速适应与优化，从而提升了其在垂直任务中的表现。这一过程不仅使智能系统超越了单一任务的局限，还赋予了其在复杂多变环境中的灵活性与适应能力，为实现人工通用智能奠定了基础。

胡健博士，博士毕业于伦敦大学玛丽女王学院，现继续在该校从事博士后研究。他的研究方向为迁移学习和多模态推理，特别关注如何通过在线迁移学习与测试时适应技术提升大模型在垂直领域任务中的表现。他在NeurIPS、ECCV、AAAI、SIGIR，TMM等重要会议与期刊上以第一作者身份发表了多篇学术论文，并为TPAMI、IJCV、CVPR等国际期刊与会议担任审稿人。此外，他具有丰富的产业经验，曾在华为、Spotify、阿里巴巴，百度等公司从事多项与大模型应用相关的技术落地工作。