AntwortenVeröffentlicht13 Quellen
Tongyan Lingzhis Wette auf persönliche KI: Können Modelle aus Erfahrung lernen?
Tongyan Lingzhi will persönliche Fähigkeiten in leichten Modellparametern abbilden, die auf einem gemeinsamen Basismodell aufsetzen – statt sich allein auf Prompts oder abgerufenen Kontext zu stützen. TIP soll Training und Inferenz auf gemeinsam genutzten GPUs koordinieren; Paged LoRA soll die Verwaltung vieler Adap...
Veröffentlicht vonBearbeitet mit GPT-6 LunaBilder erstellt mit GPT Image 2
Forschungsantwort
Wichtige Erkenntnisse
- Tongyan Lingzhi will persönliche Fähigkeiten in leichten Modellparametern abbilden, die auf einem gemeinsamen Basismodell aufsetzen – statt sich allein auf Prompts oder abgerufenen Kontext zu stützen.
- TIP soll Training und Inferenz auf gemeinsam genutzten GPUs koordinieren; Paged LoRA soll die Verwaltung vieler Adapter effizienter machen.
- Die Berichte beschreiben die technische Richtung, belegen aber weder einen vollständig automatisierten Lernprozess noch konkrete Leistungswerte für den genannten Qwen Test.
KI-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 verfolgt die Idee einer persönlichen KI, die berufliches Wissen und gesammelte Erfahrung nicht nur während einer einzelnen Anfrage nutzt, sondern als eigene Modellfähigkeit aufnimmt. Dafür soll ein gemeinsames Basismodell mit leichten, individuell zugeschnittenen Parametern kombiniert werden. Die Berichte beschreiben diese Richtung – sie belegen jedoch nicht, dass der gesamte Lernprozess samt Schutzmechanismen bereits produktiv läuft.2
3
Nicht nur Kontext liefern, sondern das Modell anpassen
Viele KI-Systeme personalisieren Antworten, indem sie zur Laufzeit zusätzliche Informationen erhalten: etwa über Prompts, gespeicherte Angaben oder abgerufene Dokumente. Tongyan Lingzhi will einen Schritt weitergehen. Durch personalisiertes Training sollen wiederkehrende Erfahrungen die Parameter des Modells prägen.
Das vorgesehene Prinzip trennt allgemeine und persönliche Fähigkeiten: Ein gemeinsames Basismodell liefert die breite Grundkompetenz; persönliche Parameter sollen Wissen oder Verhaltensweisen abbilden, die zu einer Person, einem Projekt, einer Rolle oder einer Organisation gehören. Den Berichten zufolge sollen dafür leichte Personal-LoRA-Adapter zum Einsatz kommen – nicht jeweils ein von Grund auf neu trainiertes Basismodell.2
3
Der Ansatz soll allgemeine Fähigkeiten mit langfristig aufgebautem, spezifischem Können verbinden. Offen bleibt allerdings, wie solche Adapter bei einem Wechsel des Basismodells angepasst, neu trainiert oder geprüft würden. Die verfügbaren Berichte belegen daher nicht, dass persönliche Adapter Modell-Updates unverändert überstehen oder automatisch kompatibel bleiben.2
3
Von der Erinnerung zum fortlaufenden Lernen
Tongyan Lingzhi beschreibt das Ziel als Übergang vom bloßen Speichern von Informationen hin zum Lernen, welche Erfahrungen dauerhaft in eine Modellfähigkeit einfließen sollten. In dieser Unterscheidung hält ein Gedächtnis Informationen fest, ein Abrufsystem liefert externes Wissen, und die Personalisierung auf Parameterebene soll wiederkehrendes Fachwissen oder Urteilsvermögen im Modell verankern.
Das Unternehmen bezeichnet seine weitergehende Vision als „Recursive Self-Improving Personal AI“: persönliche Fähigkeiten sollen sich mit der Nutzung fortlaufend aktualisieren können.3 Die vorliegenden Berichte bestätigen jedoch keinen vollständig automatisierten Ablauf, der Aufgabenverläufe, menschliche Korrekturen und Ergebnisse sammelt, nutzerspezifische Prüfverfahren entwickelt, hilfreiche Rückmeldungen erkennt, Adapter aktualisiert und Änderungen testet oder zurücksetzt.
Das ist ein wichtiger Unterschied: Eine beschriebene Lernstrategie ist noch kein Nachweis für ein fertiges System. Belegt ist die Ambition, Fachwissen und Arbeitsabläufe in sich weiterentwickelnde Modellfähigkeiten zu überführen. Welche Schritte bereits automatisiert oder produktionsreif sind, geht aus den Berichten nicht hervor.3
Die technische Grundlage: TIP und Paged LoRA
Wenn eine KI laufend personalisiert werden soll, muss sie Änderungen am Modell bewältigen und zugleich Anfragen bedienen. Außerdem müssen zahlreiche persönliche Adapter verwaltet werden können, ohne für jede Person ein eigenes vollständiges Modell bereitzuhalten.
TIP steht für Training-Inference Parallelism, also die parallele Koordination von Training und Inferenz. Den Berichten zufolge gehören dazu die gemeinsame Nutzung von GPUs, Training und Inferenz in denselben Batches, eine asynchrone Ansammlung von Gradienten sowie ein schneller Wechsel zwischen Trainings- und Inferenzbetrieb. Ziel ist, verfügbare Rechenleistung für schrittweise Personal-LoRA-Updates zu nutzen und gleichzeitig den laufenden Dienst aufrechtzuerhalten – ohne zwingend einen separaten Trainings-Ressourcenpool aufzubauen.4
Paged LoRA soll die Verwaltung des Adapter-Speichers verbessern. Das beschriebene Verfahren nutzt Paging und bedarfsgesteuerte Zuordnung, damit mehrere Personal-LoRA-Adapter flexibler ein Basismodell und GPU-Ressourcen teilen können.4 Dabei handelt es sich um Effizienzziele: Die Berichte belegen nicht, dass bereits Tausende laufend aktualisierte Adapter wirtschaftlich im Produktivbetrieb laufen. Hunderte Rollen und Tausende Agenten werden als mögliche Größenordnung und Motivation für die Optimierungen genannt, nicht als nachgewiesenes Einsatzergebnis.
Was der berichtete Qwen2.5-Test aussagt – und was nicht
Ein Bericht beschreibt einen Vergleich von Paged LoRA mit der herkömmlichen „Flat“-Variante. Getestet worden sein soll mit Qwen2.5-72B-Instruct auf acht Nvidia-H800-GPUs und einem Adapter-Speicherbudget von 5,79 GB. Das liefert einen beschriebenen Testaufbau, aber der verfügbare Auszug nennt keine vergleichenden Latenzwerte und keine Ergebnisse zur Latenz im oberen Verteilungsbereich. Auch die Leistungsunterschiede bei den im Kontext der Frage genannten Anteilen an LoRA-Anfragen lassen sich damit nicht überprüfen.
Selbst ein vollständiger Benchmark zum Betrieb der Adapter würde nur einen Teil der Frage beantworten. Er könnte zeigen, wie effizient die Adapter unter den getesteten Bedingungen bereitgestellt werden. Für sich genommen würde er aber weder die Qualität der erlernten persönlichen Fähigkeiten belegen noch ihre Kompatibilität mit einem geänderten Basismodell oder den Schutz vor Leistungseinbußen nach Updates.
Was belegt ist – und was offenbleibt
Nach der Berichterstattung vom 22. Oktober 2026 ergibt sich folgendes Bild: Tongyan Lingzhi beschreibt einen Ansatz mit gemeinsamem Basismodell und persönlichen Parametern, strebt fortlaufendes Lernen aus beruflicher Erfahrung an und arbeitet an Infrastruktur für die Abstimmung von Training und Inferenz sowie die Verwaltung von Adapter-Speicher.3
4
Nicht belegt ist, welche Komponenten produktionsreif sind, ob der vollständige Prozess zur Selbstverbesserung automatisiert läuft oder ob der Wechsel zwischen Basismodellen und das Zurücksetzen fehlerhafter Änderungen bereits demonstriert wurden.3
4 Auch die verfügbaren Benchmark-Angaben reichen nicht aus, um konkrete Aussagen zur Latenz oder zur Leistung in Spitzenlastsituationen beim Qwen2.5-Test zu stützen.
Für die Bewertung bleiben deshalb grundlegende Fragen: Wie lässt sich nützliches Lernen von verrauschtem oder irreführendem Feedback unterscheiden? Wie werden Rückschritte oder das Vergessen bereits erlernter Fähigkeiten erkannt? Und wie wird Personalisierung geprüft, wenn sich die Anforderungen der Nutzenden oder das Basismodell ändern? Das sind offene Prüffragen – keine belegten Schutzmechanismen des Unternehmens.
Die vorsichtige Schlussfolgerung: Tongyan Lingzhi hat eine Personal-AI-Architektur beschrieben, die dauerhafte, spezifische Fähigkeiten in leichten Modellparametern abbilden soll, ergänzt durch Infrastruktur für einen effizienteren Betrieb. Die verfügbaren Berichte stützen diese Richtung, belegen aber weder ein autonomes, gegen Rückschritte abgesichertes System noch die angefragten konkreten Leistungsverbesserungen.2
3
4
Studio Global AI
Setzen Sie Ihre Recherche fort
Diese Seite enthält eine quellengestützte Antwort, die Sie in Studio Global fortsetzen können.
Die Leute fragen auch
Wie lautet die kurze Antwort auf „Tongyan Lingzhis Wette auf persönliche KI: Können Modelle aus Erfahrung lernen?“?
Tongyan Lingzhi will persönliche Fähigkeiten in leichten Modellparametern abbilden, die auf einem gemeinsamen Basismodell aufsetzen – statt sich allein auf Prompts oder abgerufenen Kontext zu stützen.
Was sind die wichtigsten Punkte, die zuerst validiert werden müssen?
Tongyan Lingzhi will persönliche Fähigkeiten in leichten Modellparametern abbilden, die auf einem gemeinsamen Basismodell aufsetzen – statt sich allein auf Prompts oder abgerufenen Kontext zu stützen. TIP soll Training und Inferenz auf gemeinsam genutzten GPUs koordinieren; Paged LoRA soll die Verwaltung vieler Adapter effizienter machen.
Was soll ich als nächstes in der Praxis tun?
Die Berichte beschreiben die technische Richtung, belegen aber weder einen vollständig automatisierten Lernprozess noch konkrete Leistungswerte für den genannten Qwen Test.