AnswersPublished17 sources
Osobní AI, která se má učit z praxe — nejen z promptů
Tongyan Lingzhi popisuje přístup, v němž společný základní model doplňují lehké osobní parametry pro konkrétního člověka, projekt nebo firmu.[5][6] Firma chce, aby se do modelu promítaly dlouhodobé zkušenosti, nejen informace dodané v promptu nebo vyhledané z externích zdrojů.[5][6][7] TIP a Paged LoRA mají usnadnit...
PublikovalUpraveno pomocí GPT-6 LunaObrázky vytvořeny pomocí GPT Image 2
Research answer
Key takeaways
- Tongyan Lingzhi popisuje přístup, v němž společný základní model doplňují lehké osobní parametry pro konkrétního člověka, projekt nebo firmu.[5][6]
- Firma chce, aby se do modelu promítaly dlouhodobé zkušenosti, nejen informace dodané v promptu nebo vyhledané z externích zdrojů.[5][6][7]
- TIP a Paged LoRA mají usnadnit souběžné poskytování služby a aktualizace personalizovaných parametrů.[4][11]
- Veřejné podklady nedokládají kompletní automatický cyklus sebezdokonalování ani konkrétní výsledky popsaného testu s Qwen2.5 72B Instruct.[3][4]
AI Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: How is Tongyan Lingzhi, incubated by the Beijing Institute for General Artificial Intelligence’s industry platform, developing personal AI t. Article summary: Tongyan Lingzhi’s stated approach is to turn accumulated professional knowledge and experience into lightweight, personalized model parameters on top of a shared foundation model, rather than relying exclusively on infor. Topic tags: general, documentation, general web, user generated, academic. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, w
Tongyan Lingzhi chce, aby si osobní AI neuchovávala jen informace o uživateli, ale aby se z jeho zkušeností postupně učila. Její popsaný přístup staví na společném základním modelu, který se doplňuje lehkými personalizovanými parametry pro konkrétního člověka, projekt nebo firmu.5
6
7
Jde o ambiciózní směr, ale je důležité oddělit popsanou architekturu od toho, co už je prokazatelně ověřené. Veřejné podklady podporují základní technický záměr a některé infrastrukturní postupy. Nedokládají však celý automatický proces učení, jeho odolnost vůči chybám ani konkrétní výsledky výkonostních testů.
Od „pamatovat si“ k „učit se“
Běžný prompt dodá modelu informace pro právě probíhající konverzaci. Paměť může uchovávat historii a RAG — vyhledávání v externích zdrojích, které modelu předkládá relevantní informace — může doplnit jeho odpovědi. Tongyan Lingzhi tvrdí, že tyto metody samy o sobě nezajišťují, aby se dlouhodobé zkušenosti proměnily ve schopnost modelu.5
6
Její navrhované řešení má dvě vrstvy: společný Base Model, který poskytuje obecné schopnosti, a lehké Personal Parameters, jež nesou specifické znalosti a způsob práce. Starší podklady výslovně označují tyto osobní parametry jako Personal LoRA — malé adaptéry pro jednotlivé uživatele, projekty či firmy.5
6
Tím se firma chce vyhnout trénování celého základního modelu zvlášť pro každého zákazníka. Její architekt popisuje rozdíl tak, že paměť uchovává minulost, RAG přináší externí znalosti a agent organizuje vykonání úkolu, zatímco personalizace v parametrech má pomoci modelu osvojit si vlastní způsob posuzování práce daného uživatele či projektu.5
Oddělení společného základu od osobních parametrů také vyjadřuje záměr zachovat personalizaci nad stále schopnějšími základními modely.5 Dostupné podklady ale neukazují, jak se osobní adaptéry převádějí nebo znovu ověřují při změně základního modelu. Není tedy doloženo, že by stejné LoRA parametry zůstaly kompatibilní bez úprav.
Co je známo o průběžném sebezdokonalování
Tongyan Lingzhi popisuje systém, který má převádět odborné znalosti, pracovní postupy a dlouhodobé úsudky do schopností modelu, jež se dál vyvíjejí.7 Samotná představa průběžného učení však ještě nepotvrzuje, že už funguje plně automatický a bezpečně ověřený proces.
Shrnutí zveřejněné 23. října uvádí, že aktualizace osobního Personal LoRA se má přijmout jen tehdy, pokud na stejných úlohách překoná předchozí verzi.47 Jde o popis srovnávacího pravidla, zveřejněný den po datu 22. října, k němuž se vztahuje toto hodnocení.
47
Podklady nedokládají celý řetězec kroků: sběr průběhů úloh, lidských oprav a výsledků; tvorbu hodnoticích testů pro každého uživatele; hledání opakujících se vzorců ve zpětné vazbě; průběžné aktualizace; regresní testy ani návrat k předchozí verzi při zhoršení. Nelze proto tvrdit, že takový plně automatický proces už byl zaveden.
Jak chtějí snížit náklady na personalizaci
Průběžné učení znamená, že systém musí zvládat nejen obsluhovat požadavky, ale také aktualizovat osobní parametry. Tongyan Lingzhi proto popisuje dvě infrastrukturní techniky:
- TIP (souběžné trénování a inference): Trénování i provoz modelu mají využívat stejné GPU a dávky. Firma uvádí také asynchronní hromadění gradientů a rychlé přepínání mezi trénovací a inferenční rolí. Cílem je využít dostupný výpočetní výkon k průběžnému učení, aniž by online služba vyžadovala zcela oddělené trénovací zdroje.
4
- Paged LoRA: Namísto pevného vyhrazení paměti pro každý adaptér má stránkování a mapování podle potřeby umožnit, aby více Personal LoRA sdílelo základní model i paměť GPU.
11
Firma uvádí jako motivaci scénář se stovkami pracovních rolí a tisíci agentů, které by potřebovaly různé parametry.4 To ale samo o sobě nedokládá, že už tisíce průběžně se učících adaptérů běží v produkčním provozu za ověřených nákladů.
Výsledky testů zůstávají nejasné
V dostupných podkladech chybí ověřitelné výsledky konkrétního testu s modelem Qwen2.5-72B-Instruct na osmi GPU NVIDIA H800, rozpočtem 5,79 GB paměti pro adaptér a různým podílem požadavků LoRA.4
Není tedy možné doložit, o kolik se snížila latence, jak se změnila latence v nejpomalejších případech ani jak systém dopadl při 50% podílu požadavků LoRA. Technická zpráva Qwen2.5 zveřejňuje výsledky kvality modelu na různých úlohách, nikoli výsledky tohoto testu obsluhy adaptérů.3
Ani přesvědčivý výsledek takového provozního testu by sám o sobě nedokazoval kvalitu učení, zachování personalizace po změně základního modelu, odolnost vůči zapomínání ani celkové náklady na trénování a vyhodnocování.
Co lze uzavřít k 22. říjnu 2026
Veřejně popsaný je záměr spojit společný základní model s osobními parametry, průběžným učením a technikami pro souběžný provoz a správu paměti adaptérů.4
5
7 Z dostupných informací ale nelze určit, které části jsou hotové produkty a které prototypy, zda je celý proces sebezdokonalování automatizovaný ani zda firma předvedla migraci mezi základními modely nebo spolehlivý návrat po regresi.
Pro plně automatické učení by bylo třeba ověřit například důvěryhodnost signálů a hodnoticích testů, zachování dříve naučených schopností, ochranu před chybnou či manipulovanou zpětnou vazbou a změny chování při vývoji uživatelských potřeb nebo základního modelu. Jde o otázky, které je třeba testovat — nikoli o doložené ochranné mechanismy, jež firma už prokazatelně zavedla.
Střízlivý závěr tedy zní: Tongyan Lingzhi představila strategii osobní AI, která ukládá část dlouhodobé personalizace přímo do parametrů modelu, a popsala techniky, jež mají její provoz zefektivnit. Dostupné podklady ale zatím nepotvrzují vyzrálý, autonomní systém sebezdokonalování bezpečný vůči regresím ani konkrétní číselné výsledky uvedeného výkonostního testu.4
5
7
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "Osobní AI, která se má učit z praxe — nejen z promptů"?
Tongyan Lingzhi popisuje přístup, v němž společný základní model doplňují lehké osobní parametry pro konkrétního člověka, projekt nebo firmu.[5][6]
What are the key points to validate first?
Tongyan Lingzhi popisuje přístup, v němž společný základní model doplňují lehké osobní parametry pro konkrétního člověka, projekt nebo firmu.[5][6] Firma chce, aby se do modelu promítaly dlouhodobé zkušenosti, nejen informace dodané v promptu nebo vyhledané z externích zdrojů.[5][6][7]
What should I do next in practice?
TIP a Paged LoRA mají usnadnit souběžné poskytování služby a aktualizace personalizovaných parametrů.[4][11]