AnswersPublished17 sources
Tongyan Lingzhi rakentaa Personal AI -mallia, joka oppisi käyttäjänsä kokemuksesta
Tongyan Lingzhin kuvaamassa mallissa yhteinen perusmalli yhdistyy kevyisiin käyttäjä , projekti tai yrityskohtaisiin parametreihin.[5][6] Yhtiö tavoittelee jatkuvasti oppivaa Personal AI:ta, mutta saatavilla olevat tiedot eivät vahvista, että koko itseoppimisen prosessi olisi automatisoitu ja tuotantokäytössä.[7] TI...
JulkaisijaMuokattu mallilla GPT-6 LunaKuvat luotu mallilla GPT Image 2
Research answer
Key takeaways
- Tongyan Lingzhin kuvaamassa mallissa yhteinen perusmalli yhdistyy kevyisiin käyttäjä , projekti tai yrityskohtaisiin parametreihin.[5][6]
- Yhtiö tavoittelee jatkuvasti oppivaa Personal AI:ta, mutta saatavilla olevat tiedot eivät vahvista, että koko itseoppimisen prosessi olisi automatisoitu ja tuotantokäytössä.[7]
- TIP ja Paged LoRA tekniikoilla pyritään tehostamaan samanaikaista koulutusta ja käyttöä sekä personoitujen malliosien muistinhallintaa.[4][11]
- Julkisista lähteistä ei käy ilmi pyydetyn Qwen2.5 72B Instruct kokeen tarkkoja viive tai kuormitustuloksia.
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 kertoo kehittävänsä Personal AI -mallia, joka ei vain hakisi käyttäjään liittyviä tietoja tai palauttaisi niitä mieleen, vaan oppisi ammatillisesta kokemuksesta pysyvämpää osaamista mallin parametreihin. Yhtiön kuvaamassa lähestymistavassa yhteisen perusmallin päälle lisätään kevyet, henkilö-, projekti- tai yrityskohtaiset parametrit.5
6
7
Tämä on yhtiön esittelemä tekninen suunta, ei vielä julkisesti todennettu näyttö valmiista, itsenäisesti kehittyvästä järjestelmästä. Lähteistä ei selviä kattavasti, miten oppiminen käytännössä etenee, millaisia tuloksia sillä saavutetaan tai mitkä osat ovat tuotantokäytössä.
Mitä tarkoittaa, että tekoäly oppii mallin parametreihin?
Tavallisessa keskustelussa käyttäjän antamat ohjeet ja keskustelun taustatiedot vaikuttavat mallin vastaukseen lähinnä kyseisen tilanteen ajan. Tongyan Lingzhin ehdotuksessa pitkäaikaisia kokemuksia pyrittäisiin sen sijaan tiivistämään käyttäjäkohtaisiksi malliparametreiksi. Yhtiön perustelu on, että kouluttaminen voi muuttaa kokemuksen mallin yleistettäväksi kyvyksi, kun taas kontekstiin annettu tieto on luonteeltaan tilapäistä.6
- Yhteinen perusmalli, omat lisäparametrit: Yhtiö ei kuvaa kouluttavansa jokaista käyttäjää tai projektia varten kokonaan uutta perustamallia. Sen sijaan samaa Base Model -perusmallia täydennettäisiin kevyillä Personal Parameters -parametreilla; aiemmassa kuvauksessa näitä täsmennetään käyttäjä-, projekti- ja yrityskohtaisiksi Personal LoRA -sovittimiksi.
5
6
- Eri asia kuin muisti tai tiedonhaku: Yhtiön arkkitehdin mukaan muisti säilyttää keskusteluhistoriaa, RAG hakee ulkoista tietoa ja agentit järjestävät tehtävien suorittamista. Parametritason personoinnin tavoitteena on puolestaan kehittää käyttäjän tai projektin tapaa arvioida tehtäviä.
- Perusmallin päivittäminen herättää kysymyksiä: Ajatuksena on, että yksilöllinen osaaminen voisi karttua yhteisen perusmallin kehittyessä.
Jatkuva oppiminen: tavoite ja näytön rajat
Tongyan Lingzhi kuvaa kehittävänsä järjestelmää, joka muuttaisi ammatillista tietoa, työnkulkuja ja pitkällä aikavälillä karttunutta harkintaa jatkuvasti päivittyväksi erikoisosaamiseksi.7 Yhtiön käyttämä Recursive Self-Improving -termi viittaa ajatukseen, että malli kehittyisi todellisessa käytössä saamiensa oppimissignaalien perusteella.
Seuraavan päivän yhteenvedossa kuvataan käyttäjäkohtaisia Personal LoRA -päivityksiä, jotka hyväksyttäisiin vain, jos ne suoriutuvat samoista tehtävistä edellistä versiota paremmin.47 Tämä viittaa vanhan ja uuden version vertailuun, mutta tieto on julkaistu 23. lokakuuta eli myöhemmin kuin 22. lokakuuta asetettu tarkasteluraja.
47
Saatavilla olevat lähteet eivät vahvista koko oppimisketjua, jossa järjestelmä keräisi tehtävien kulkuja, ihmisten korjauksia ja lopputuloksia, loisi käyttäjäkohtaiset arviointitavat, tunnistaisi toistuvia palautemalleja, päivittäisi parametreja ja testaisi muutokset ennen käyttöönottoa. Ne eivät myöskään osoita, että järjestelmä osaisi automaattisesti palautua aiempaan versioon, jos päivitys heikentää suoriutumista.
Siksi tätä kokonaisuutta ei voi näiden tietojen perusteella kuvata valmiiksi toteutetuksi, täysin automatisoiduksi itseoppimisputkeksi.
Miten personoidusta oppimisesta yritetään tehdä tehokasta?
Jos jokaisella käyttäjällä tai agentilla on omat malliparametrinsa, niitä täytyy pystyä kouluttamaan ja käyttämään ilman kohtuutonta laskenta- ja muistikuormaa. Tongyan Lingzhin kuvaamat infrastruktuuritekniikat pyrkivät vastaamaan tähän ongelmaan.
- TIP yhdistää koulutusta ja käyttöä: Yhtiön mukaan TIP-mallissa koulutus ja päättely eli mallin vastausten tuottaminen tapahtuvat samoilla grafiikkasuorittimilla ja samoissa erissä. Lisäksi käytössä ovat asynkroninen gradienttien kerryttäminen ja nopea siirtyminen koulutuksen ja palvelun välillä. Tavoitteena on päivittää personoituja parametreja käytettävissä olevalla laskentateholla samalla, kun verkkopalvelu toimii, ja vähentää erillisen koulutusympäristön tarvetta.
4
- Paged LoRA hallitsee muistia sivu kerrallaan: Aiemmassa kuvauksessa perinteistä, kiinteästi varattua muistia verrataan sivutettuun hallintaan, jossa sovittimia voidaan ottaa käyttöön tarpeen mukaan. Tavoitteena on, että monet personoidut LoRA-sovittimet voivat jakaa saman perusmallin ja grafiikkasuoritinresurssit joustavammin.
11
- Suuri mittakaava on tavoite, ei vahvistettu tuotantotulos: Yhtiön esittämä käyttötarve ulottuu satoihin työrooleihin ja tuhansiin agentteihin. Tämä kertoo optimointien tavoitteesta, mutta ei todista, että tuhansia jatkuvasti oppivia sovittimia olisi jo käytössä tuotannossa kustannustehokkaasti.
Qwen-kokeen numeroista ei ole riittävästi tietoa
Kysymyksessä mainitusta Qwen2.5-72B-Instruct-kokeesta tiedetään, että siinä käytettiin kahdeksaa Nvidia H800 -grafiikkasuoritinta ja LoRA-muistibudjettina 5,79 gigatavua. Kuvaus mainitsee myös vertailun Paged- ja Flat-mallien välillä sekä LoRA-pyyntöjen 1–30 prosentin osuudet.4
Saatavilla oleva lähdekatkelma ei kuitenkaan sisällä kokeen tarkkoja tuloksia. Sen perusteella ei voi raportoida viiveen muutoksia, viivejakauman häntäpään prosenttipisteitä tai sitä, miten suorituskyky muuttui 50 prosentin pyyntöosuudella. Qwen2.5:n tekninen raportti sisältää mallin laatua koskevia vertailutuloksia, mutta ei vahvista tätä sovittimien tarjoilukoetta.3
Vaikka teknisen kokeen tulokset olisivat käytettävissä, pelkkä palvelunopeuden mittaus ei vielä osoittaisi oppimisen laatua, kykyä säilyttää aiemmin opitut taidot, personoinnin toimivuutta perusmallia vaihdettaessa tai koko koulutus- ja arviointikierroksen kustannuksia.
Mitä hankkeesta voidaan päätellä?
Tongyan Lingzhi on kuvannut selvästi lähestymistapansa: yhteinen perusmalli, kevyet henkilökohtaiset parametrit ja niiden käyttöä sekä päivittämistä tukevat infrastruktuuriratkaisut.4
5
7 Yhtiö tavoittelee mallia, johon ammatillinen osaaminen ja kokemus voisivat kertyä pelkkää muistia tai tiedonhakua pysyvämmin.
Julkiset tiedot eivät kuitenkaan vielä osoita, mitkä osat ovat valmiita tuotteita ja mitkä prototyyppejä. Ne eivät myöskään vahvista, että oppiminen olisi täysin automatisoitu, perusmallin vaihtaminen olisi testattu tai heikentävät päivitykset voitaisiin luotettavasti peruuttaa.
Arvioinnissa pitäisi lisäksi selvittää, miten järjestelmä erottaa luotettavan palautteen virheellisestä tai tarkoituksella harhaanjohtavasta palautteesta, estää uusien oppien aiheuttamaa vanhojen taitojen unohtumista ja havaitsee mallin muuttumisen ajan myötä. Nämä ovat järjestelmälle asetettavia arviointivaatimuksia, eivät vahvistettuja väitteitä Tongyan Lingzhin toteuttamista suojauksista.
Varovaisin johtopäätös on, että Tongyan Lingzhi on esitellyt parametreihin perustuvan Personal AI -strategian ja sen tehokkuuteen tähtääviä tekniikoita. Saatavilla oleva näyttö ei vielä vahvista kypsää, itsenäisesti oppivaa ja taantumisilta suojattua järjestelmää eikä kysymyksessä mainittuja tarkkoja suorituskykylukuja.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 "Tongyan Lingzhi rakentaa Personal AI -mallia, joka oppisi käyttäjänsä kokemuksesta"?
Tongyan Lingzhin kuvaamassa mallissa yhteinen perusmalli yhdistyy kevyisiin käyttäjä , projekti tai yrityskohtaisiin parametreihin.[5][6]
What are the key points to validate first?
Tongyan Lingzhin kuvaamassa mallissa yhteinen perusmalli yhdistyy kevyisiin käyttäjä , projekti tai yrityskohtaisiin parametreihin.[5][6] Yhtiö tavoittelee jatkuvasti oppivaa Personal AI:ta, mutta saatavilla olevat tiedot eivät vahvista, että koko itseoppimisen prosessi olisi automatisoitu ja tuotantokäytössä.[7]
What should I do next in practice?
TIP ja Paged LoRA tekniikoilla pyritään tehostamaan samanaikaista koulutusta ja käyttöä sekä personoitujen malliosien muistinhallintaa.[4][11]