在本文中，我们提出了一种称为测试时训练（Test-Time Training）的通用方法，用于在训练数据和测试数据分布不同时提高预测模型的性能。我们将单个未标记的测试样本转化为一个自监督学习问题，在进行预测之前更新模型参数。该方法也可以自然地扩展到在线数据流中的数据。我们的这一简单方法在多个旨在评估对分布偏移鲁棒性的图像分类基准上取得了改进。