उत्तरप्रकाशित3 घंटे पहलेLast edited 3 घंटे पहले19 स्रोत

चीन की AI दौड़ में मॉडल के वज़न नहीं, उन्हें बेहतर बनाने वाली व्यवस्था निशाने पर

31 अक्टूबर 2026 तक उपलब्ध सबूत AI मॉडल के आसपास की व्यवस्था—जैसे इन्फ्रास्ट्रक्चर, एजेंट हर्नेस और प्रशिक्षण के माहौल—को बेहतर बनाने की दिशा दिखाते हैं; यह साबित नहीं करते कि लैब स्वायत्त रूप से अपने उत्तराधिकारी मॉडल... पांच स्तरीय ढाँचा तय सुधारों को लागू करने से लेकर सुधार की प्रक्रिया को खुद बेहतर बनाने तक के अल...

प्रकाशितकर्ताGPT-6 Luna से संपादितGPT Image 2 से चित्र बनाए गए

Studio Global AI के साथ खोजें और तथ्यों की जांच करें और ट्रेंडिंग पेज देखें

शोध उत्तर

मुख्य निष्कर्ष

31 अक्टूबर 2026 तक उपलब्ध सबूत AI मॉडल के आसपास की व्यवस्था—जैसे इन्फ्रास्ट्रक्चर, एजेंट हर्नेस और प्रशिक्षण के माहौल—को बेहतर बनाने की दिशा दिखाते हैं; यह साबित नहीं करते कि लैब स्वायत्त रूप से अपने उत्तराधिकारी मॉडल...
पांच स्तरीय ढाँचा तय सुधारों को लागू करने से लेकर सुधार की प्रक्रिया को खुद बेहतर बनाने तक के अलग अलग स्तर समझाता है।
लेइफेंग की उपलब्ध सामग्री Kimi K3 की तकनीकी रिपोर्ट है, आत्म सुधार पर सर्वेक्षण नहीं; कई बड़े परिचालन दावों की पुष्टि भी दिए गए स्रोतों से नहीं होती।

Conceptual illustration of an AI agent improving the software and infrastructure around a model — As of October 31, 2026, how are China’s AI labs pursuing recursive self-improvement by improving the machinery around models rather than rewA conceptual view of system-level AI improvement: changing the tools and workflows around a model.
AI संकेत
Create a landscape editorial hero image for this Studio Global article: As of October 31, 2026, how are China’s AI labs pursuing recursive self-improvement by improving the machinery around models rather than rew. Article summary: The direction described in your question is system-level self-improvement: agents improve the software, environments and workflows used to run agents and develop successor models, rather than directly editing their own w. Topic tags: general, documentation, general web, academic, user generated. 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
openai.com

AI का अपने-आप बेहतर होना सुनने में ऐसा लग सकता है मानो कोई मॉडल अपने ही वज़न बदल रहा हो। लेकिन सुधार का एक और रास्ता है: मॉडल को चलाने वाले सॉफ़्टवेयर, टूल, परीक्षण के माहौल और काम के तरीकों को बदलना। चीन से जुड़ी कुछ रिपोर्टों और तकनीकी सामग्रियों में इसी व्यवस्था को बेहतर बनाने की कोशिशें दिखती हैं। फिर भी, उपलब्ध प्रमाणों से यह निष्कर्ष नहीं निकलता कि AI सिस्टम बिना मानवीय नियंत्रण के अपने बेहतर उत्तराधिकारी बना रहे हैं।

आत्म-सुधार कहने की कसौटी क्या है?

सिर्फ प्रॉम्प्ट बदलना या कोड लिखना अपने-आप में पुनरावर्ती आत्म-सुधार नहीं है। अधिक सख़्त कसौटी यह है कि सिस्टम कोई टिकाऊ बदलाव करे, उसे स्वीकार और जाँचा जाए, और अगला सुधार उसी बेहतर प्रक्रिया से निकले।

एजेंट-हर्नेस पर शोध में एक ऐसी प्रक्रिया बताई गई है जिसमें एजेंट अपने काम के रिकॉर्ड से कमज़ोरियाँ पहचानता है, हर्नेस में बदलाव सुझाता है और प्रतिगमन परीक्षणों के बाद ही बदलाव स्वीकार करता है। 52 एक अन्य शोध-पत्र पुनरावृत्ति की कसौटी और स्पष्ट करता है: AI शोध एजेंट के कोड में स्वीकार किया गया बदलाव वही नया संस्करण बनता है जो अगले दौर के संपादन करता है। उसके सारांश के मुताबिक, एक खास एजेंट सेटिंग में आठ दिनों के दौरान सात क्रमिक सुधार हुए। यह एक शोध परिणाम है—सामान्य प्रयोजन वाले AI के असीमित आत्म-सुधार का प्रमाण नहीं। 56

चीन से जुड़े उपलब्ध संकेत

36Kr की सितंबर की रिपोर्ट के मुताबिक, GLM-5.3 से संचालित एक इन्फ्रास्ट्रक्चर एजेंट ने 100,000 से अधिक घरेलू चिपों वाले क्लस्टर पर मॉडल के इन्फरेंस इंजन को बेहतर किया। रिपोर्ट में कहा गया कि काम दो हफ्ते से कम समय में हुआ और शुरूआती आधार की तुलना में एंड-टू-एंड थ्रूपुट तीन गुना हो गया। 21 यह AI की मदद से इन्फ्रास्ट्रक्चर के अनुकूलन का रिपोर्ट किया गया उदाहरण है। इससे अकेले यह साबित नहीं होता कि एजेंट ने अपना लक्ष्य खुद चुना, परिणामों की स्वतंत्र पुष्टि की या अगली बार अनुकूलन करने वाली प्रक्रिया को भी बेहतर बनाया।

Moonshot AI की Kimi K3 सामग्री में एक और अहम परत दिखती है। कंपनी ने AgentEnv जारी किया, जिसे वितरित रीइन्फोर्समेंट-लर्निंग वातावरण के लिए इन्फ्रास्ट्रक्चर बताया गया है। इसके साथ प्रशिक्षण प्रणाली के लिए संचार लाइब्रेरी और हाई-परफ़ॉर्मेंस अटेंशन कर्नेल जैसी तकनीकें भी जारी की गईं। 25 ये साधन मॉडल प्रशिक्षण और एजेंट के काम में मदद करते हैं, लेकिन उनका मौजूद होना यह नहीं दिखाता कि किसी एजेंट ने खुद बेहतर प्रशिक्षण वातावरण या अगला मॉडल डिज़ाइन किया।

इन्फ्रास्ट्रक्चर सुधार और मॉडल प्रशिक्षण को भी अलग-अलग समझना ज़रूरी है। Z.ai के दस्तावेज़ों के अनुसार, GLM-5.3 का बेस मॉडल GLM-5.2 वाला ही है और उसमें सुधार पोस्ट-ट्रेनिंग से आए। 2 यह मॉडल को बेहतर बनाने का एक दर्ज किया गया तरीका है; इससे यह सिद्ध नहीं होता कि क्षमताओं में बढ़ोतरी केवल मॉडल के आसपास की व्यवस्था बदलने से हुई।

पाँच स्तर: ऑटोमेशन से लेकर सुधार की प्रक्रिया सुधारने तक

सितंबर के शोध-पत्र The Last AI Built by Humans में स्वायत्तता के पाँच बढ़ते स्तर बताए गए हैं: पहले से तय सुधार लागू करना; सुधार की रणनीति चुनना; आगे सीखने के लिए अनुभव जुटाना; इस्तेमाल और वातावरण से मिले फ़ीडबैक के अनुसार ढलना; और अंत में, सुधार की प्रक्रिया को ही बेहतर करना। 33 इस ढाँचे की मीडिया कवरेज इसे ऐसे AI की ओर बढ़ते रास्ते के रूप में भी बताती है जो अपने उत्तराधिकारी बना सके। 35

इन स्तरों से अलग-अलग तरह के ऑटोमेशन को एक ही दावे में समेटने से बचा जा सकता है। इंसानों द्वारा डिज़ाइन किया गया प्रयोग चलाने वाला एजेंट उस एजेंट जैसा नहीं है जो तय करे कि किस चीज़ में सुधार करना चाहिए। और इनमें से कोई भी उस सिस्टम के बराबर नहीं, जो अपने सुधार-चक्र को भरोसेमंद ढंग से फिर से डिज़ाइन और जाँच सके। यह शोध-पत्र फर्क समझने का ढाँचा देता है; यहाँ उपलब्ध स्रोत यह स्थापित नहीं करते कि ज़्यादातर अत्याधुनिक सिस्टम पहले या दूसरे स्तर पर हैं।

कौन-से दावे अपुष्ट हैं?

दिए गए स्रोत DSec के रोज़ाना सैंडबॉक्स की संख्या, ModelBest के प्रशिक्षण-फ़्रेमवर्क और कर्नेल के बेंचमार्क, Moonshot के कथित सैंडबॉक्स आँकड़े और रिकवरी प्लेबुक, या Alibaba के बताए गए प्रशिक्षण दौर की पुष्टि नहीं करते। कथित लेइफेंग सर्वेक्षण के निष्कर्ष भी उपलब्ध सामग्री में नहीं हैं। स्रोतों में मौजूद लेइफेंग लेख Kimi K3 की तकनीकी रिपोर्ट है, पुनरावर्ती आत्म-सुधार पर सर्वेक्षण नहीं। 24

हर्नेस पर स्वतंत्र शोध एक व्यावहारिक सीमा की ओर भी ध्यान दिलाता है: प्रदर्शन में बढ़त के साथ काम चलाने की लागत बढ़ सकती है। इसलिए मूल्यांकन में यह देखना ज़रूरी है कि किसी एजेंट ने काम कितना सफल किया और इसके लिए कितनी गणना या टूल इस्तेमाल किए। 54 किसी भी आत्म-सुधार के दावे में यह भी साफ़ होना चाहिए कि लक्ष्य कौन तय करता है, बदलाव की सफलता का फ़ैसला कौन करता है और क्या स्वीकार किया गया बदलाव अगले दौर को सचमुच बेहतर बनाता है।

सबसे सावधान निष्कर्ष है: AI-विकास की मशीनरी को बेहतर बनाने वाला आशाजनक ऑटोमेशन—न कि सत्यापित, खुला और स्वायत्त पुनरावर्ती आत्म-सुधार। इन्फ्रास्ट्रक्चर एजेंट और खुद को बेहतर करने वाले हर्नेस अहम प्रगति हो सकते हैं, खासकर जब बदलाव टिकें और आगे के काम को मजबूत करें। लेकिन थ्रूपुट में रिपोर्ट की गई बढ़त, दोबारा इस्तेमाल होने वाले टूल या प्रशिक्षण के कई दौर अपने-आप यह साबित नहीं करते कि AI भरोसे से तय कर सकता है कि क्या सुधारना है, अपने नतीजों को परख सकता है और खुद से बेहतर उत्तराधिकारी बना सकता है।

Studio Global AI

अपना शोध जारी रखें

इस पृष्ठ में एक स्रोत-समर्थित उत्तर शामिल है जिसे आप Studio Global के अंदर जारी रख सकते हैं।

Studio Global AI के साथ खोजें और तथ्यों की जांच करें

लोग पूछते भी हैं