AnswersPublished17 sources
Kan personlig AI lære af erfaring – ikke kun huske den?
Tongyan Lingzhi beskriver en model med en fælles grundmodel og lette, personlige parametre, der skal kunne indarbejde erfaring over tid.[5][6] Selskabet fremhæver løbende læring som noget andet end at hente information fra hukommelse eller eksterne kilder.[5] TIP og Paged LoRA skal gøre det mere effektivt at træne p...
Udgivet afRedigeret med GPT-6 LunaBilleder genereret med GPT Image 2
Research answer
Key takeaways
- Tongyan Lingzhi beskriver en model med en fælles grundmodel og lette, personlige parametre, der skal kunne indarbejde erfaring over tid.[5][6]
- Selskabet fremhæver løbende læring som noget andet end at hente information fra hukommelse eller eksterne kilder.[5]
- TIP og Paged LoRA skal gøre det mere effektivt at træne personlige adaptere samtidig med, at modellen betjener brugere.[4][11]
- De tilgængelige kilder bekræfter ikke en komplet, automatiseret læringssløjfe eller de konkrete tal fra den efterspurgte belastningstest.
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 vil gøre personlig AI til mere end en model, der husker brugerens præferencer eller slår oplysninger op. Selskabets idé er at lade professionel viden og erfaring blive til personlige modelparametre, som kan udvikle sig oven på en fælles grundmodel.5
6
7
Det er en interessant retning, men dokumentationen har klare grænser: Den beskriver en arkitektur og tekniske ambitioner, men beviser ikke, at hele læringsprocessen allerede fungerer automatisk i praksis.
Fra at huske til at lære
Selskabets foreslåede opskrift er en fælles Base Model med lette Personal Parameters ovenpå. I stedet for at træne en helt ny grundmodel for hver person, hvert projekt eller hver virksomhed skal de personlige parametre rumme den erfaring, der er særlig for netop den bruger eller opgave.5
6
En tidligere omtale beskriver disse parametre som personlige LoRA-adaptere – mindre tilpasninger, der kan knyttes til en grundmodel.5 Ifølge selskabets tilgang skal de kunne samle erfaring gennem personlig træning og løbende læring, så modellen ikke kun trækker på oplysninger, der gives i øjeblikket.
5
7
Det adskiller sig fra tre beslægtede funktioner, som selskabets arkitekt skelner mellem: hukommelse gemmer historik, RAG henter ekstern viden, og agenter organiserer handlinger. Personlige modelparametre skal i stedet hjælpe modellen med at udvikle en særlig måde at vurdere opgaver på.5
Det er dog ikke dokumenteret, hvordan de personlige adaptere håndteres, når grundmodellen ændres. Kilderne fastslår hverken, om parametrene skal flyttes, genoptrænes eller valideres på ny, eller om de fungerer uændret på en ny modelversion.5
Hvad ved vi om den løbende læring?
Omtale fra 22. oktober beskriver Tongyan Lingzhis ambition om at omsætte faglig viden, arbejdsgange og langsigtede vurderinger til særlige AI-evner, der kan udvikle sig over tid.7 Selskabet kalder retningen Recursive Self-Improving Personal AI – personlig AI, der løbende forbedres.
En senere omtale, publiceret 23. oktober, siger, at personlige LoRA-adaptere kun opdateres, hvis de klarer de samme opgaver bedre end den tidligere version.47 Det peger på en sammenlignende kontrol, men oplysningen kom efter skæringsdatoen 22. oktober.
47
De foreliggende kilder dokumenterer ikke hele den tænkte proces: at samle opgavespor, rettelser og resultater, udforme individuelle evalueringer, finde mønstre i tilbagemeldinger, opdatere parametrene trinvist og teste for forringelser, før ændringer godkendes eller rulles tilbage. Derfor kan man ikke på dette grundlag beskrive løsningen som en fuldt automatiseret læringspipeline.
Teknisk effektivitet – men ikke dokumentation for skala
Løbende tilpasning kræver, at træning kan foregå uden at forstyrre den tjeneste, brugeren allerede benytter. Tongyan Lingzhi peger på TIP – træning og inferens i samspil – som en måde at udnytte de samme GPU’er til begge opgaver. De beskrevne metoder omfatter træning og inferens på samme kort og i samme batches, asynkron akkumulering af gradienter samt hurtig skiften mellem trænings- og inferensroller.4
Paged LoRA handler om håndtering af hukommelse, når mange personlige adaptere deler en grundmodel og GPU-ressourcer. Ifølge omtalen bruger metoden sideopdeling og behovsstyret tilknytning, så adaptere kan administreres mere fleksibelt end ved fast, grovkornet indlæsning.4
11
De teknikker skal ifølge selskabets beskrivelse gøre det billigere at kombinere løbende opdateringer med drift.4 Scenariet med hundredvis af roller og tusindvis af agenter forklarer, hvorfor effektiv ressourceudnyttelse er vigtig; det dokumenterer ikke i sig selv, at så mange personlige modeller allerede er i stabil og økonomisk produktion.
4
De efterspurgte benchmarktal mangler
De tilgængelige oplysninger bekræfter ikke den specifikke test med Qwen2.5-72B-Instruct, otte Nvidia H800-GPU’er, et adapter-hukommelsesbudget på 5,79 GB og sammenligning mellem Paged og Flat LoRA ved 1–30 procent LoRA-trafik og 50 procent trafik.
Derfor kan vi ikke fastslå de målte latenstider, resultater for latenstid i halen eller hvor meget ydelsen eventuelt faldt ved 50 procent trafik. Qwen2.5-rapportens uddrag handler om modelkvalitet på benchmarks og dokumenterer ikke denne test af betjening af LoRA-adaptere.3
Selv et positivt resultat i en belastningstest ville heller ikke i sig selv bevise, at læringen er nyttig, at personlige evner overlever skift til en ny grundmodel, eller at systemet undgår at glemme tidligere færdigheder.
Konklusion: en beskrevet retning, ikke et bevist selvforbedrende system
Det, der er belæg for, er en strategi med fælles grundmodel og personlige parametre, en ambition om løbende læring samt teknisk arbejde med at koordinere træning og inferens og administrere adapterhukommelse.4
5
7
Det er derimod ikke fastslået, hvilke dele der var produktionsklare pr. 22. oktober 2026, om hele læringsprocessen var automatiseret, eller om skift mellem grundmodeller og tilbagerulning efter fejl var afprøvet. Der mangler også dokumentation for, hvordan man sikrer pålidelige feedbacksignaler og tester for glemsel, forkerte tilbagemeldinger og ændringer i brugerens behov.
Den nøgterne vurdering er derfor, at Tongyan Lingzhi har fremlagt en model for personlig AI, hvor erfaring skal sætte sig i parametrene – men at kilderne ikke viser et modent, autonomt og dokumenteret sikkert system, og heller ikke de efterspurgte konkrete ydelsestal.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 "Kan personlig AI lære af erfaring – ikke kun huske den?"?
Tongyan Lingzhi beskriver en model med en fælles grundmodel og lette, personlige parametre, der skal kunne indarbejde erfaring over tid.[5][6]
What are the key points to validate first?
Tongyan Lingzhi beskriver en model med en fælles grundmodel og lette, personlige parametre, der skal kunne indarbejde erfaring over tid.[5][6] Selskabet fremhæver løbende læring som noget andet end at hente information fra hukommelse eller eksterne kilder.[5]
What should I do next in practice?
TIP og Paged LoRA skal gøre det mere effektivt at træne personlige adaptere samtidig med, at modellen betjener brugere.[4][11]