本文研究了主动序列假设检验 (AST) 问题，其中学习器自适应地从环境中收集数据，以有效地为新任务确定一个基本正确的假设。我们展示了多损失老虎机问题和广义搜索问题中最佳臂识别 (BAI) 任务的示例。我们引入了上下文纯探索 (ICPE)，它对 Transformer 进行元训练，将观察历史映射到查询行为和预测假设。ICPE 主动收集新任务的证据，并在推理时无需更新参数即可推断出真实假设。在确定性、概率性和结构化基准测试（包括 BAI 和广义搜索）上，ICPE 的表现优于自适应基准测试，而无需明确建模信息结构。
