उत्तरप्रकाशित13 स्रोत
क्या AI किसी व्यक्ति या संगठन का अनुभव अपने मॉडल में सीख सकता है?
Tongyan Lingzhi का लक्ष्य केवल प्रॉम्प्ट या याद रखी जानकारी पर निर्भर रहने के बजाय, व्यक्ति या संगठन का अनुभव साझा बेस मॉडल के ऊपर हल्के व्यक्तिगत पैरामीटर में ढालना है। TIP का मकसद ट्रेनिंग और इन्फरेंस के लिए GPU संसाधन साझा करना है; Paged LoRA कई एडॉप्टर की मेमोरी को अधिक लचीले ढंग से सँभालने के लिए बनाया गया है।...
प्रकाशितकर्ताGPT-6 Luna से संपादितGPT Image 2 से चित्र बनाए गए
शोध उत्तर
मुख्य निष्कर्ष
- Tongyan Lingzhi का लक्ष्य केवल प्रॉम्प्ट या याद रखी जानकारी पर निर्भर रहने के बजाय, व्यक्ति या संगठन का अनुभव साझा बेस मॉडल के ऊपर हल्के व्यक्तिगत पैरामीटर में ढालना है।
- TIP का मकसद ट्रेनिंग और इन्फरेंस के लिए GPU संसाधन साझा करना है; Paged LoRA कई एडॉप्टर की मेमोरी को अधिक लचीले ढंग से सँभालने के लिए बनाया गया है।
- उपलब्ध रिपोर्टिंग पूरी तरह स्वचालित सीखने की प्रक्रिया, बेस मॉडल बदलने पर व्यक्तिगत क्षमताओं की संगतता, या Qwen2.5 परीक्षण के विस्तृत प्रदर्शन आँकड़ों की पुष्टि नहीं करती।
AI संकेत
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 ऐसी Personal AI व्यवस्था विकसित करने की बात कर रही है जिसमें किसी व्यक्ति, परियोजना या संगठन का कामकाजी अनुभव मॉडल की अपनी क्षमता का हिस्सा बन सके। इसके प्रस्ताव में एक साझा बेस मॉडल के साथ हल्के व्यक्तिगत पैरामीटर जोड़े जाते हैं। लेकिन रिपोर्टिंग इस दिशा और इससे जुड़ी तकनीकों का वर्णन करती है—यह साबित नहीं करती कि सीखने की पूरी प्रक्रिया या उसके सभी सुरक्षा उपाय पहले से उत्पादन में काम कर रहे हैं।2
3
सिर्फ़ संदर्भ याद रखना नहीं, मॉडल को ढालना
कई AI प्रणालियाँ जवाब देते समय प्रॉम्प्ट, खोजकर लाई गई जानकारी या पहले से संचित विवरण का सहारा लेकर निजीकरण करती हैं। Tongyan Lingzhi का घोषित लक्ष्य इससे आगे जाना है: व्यक्तिगत ट्रेनिंग के ज़रिए समय के साथ जमा अनुभव को मॉडल के पैरामीटर में जगह देना।
प्रस्तावित ढाँचे में Base Model सामान्य क्षमताएँ देता है, जबकि Personal Parameters किसी व्यक्ति, परियोजना, भूमिका या संगठन से जुड़ी जानकारी और व्यवहार को सँभालते हैं। रिपोर्टिंग के मुताबिक, ये व्यक्तिगत पैरामीटर हल्के Personal LoRA एडॉप्टर हो सकते हैं—हर उपयोगकर्ता के लिए शुरू से एक अलग विशाल बेस मॉडल बनाने की जगह।2
3
इसका मुख्य विचार है कि सामान्य बुद्धिमत्ता साझा रहे और विशिष्ट अनुभव अलग व्यक्तिगत पैरामीटर में जमा हो। मगर उपलब्ध रिपोर्टिंग यह नहीं बताती कि बेस मॉडल बदलने पर इन एडॉप्टर को कैसे स्थानांतरित, फिर से प्रशिक्षित या जाँचा जाएगा। इसलिए यह निष्कर्ष नहीं निकाला जा सकता कि निजी LoRA पैरामीटर हर नए बेस मॉडल के साथ बिना बदलाव काम करेंगे।2
3
जानकारी याद रखने से अनुभव सीखने तक
कंपनी अपने तरीके को केवल जानकारी याद रखने से आगे बढ़कर यह सीखने की कोशिश के रूप में पेश करती है कि किस अनुभव को मॉडल की टिकाऊ क्षमता बनना चाहिए। इस सोच में मेमोरी जानकारी सँभालती है, retrieval बाहर से ज्ञान उपलब्ध कराता है, जबकि पैरामीटर-स्तर का निजीकरण बार-बार काम आने वाली विशेषज्ञता या निर्णय क्षमता को मॉडल में ढालने का लक्ष्य रखता है।
Tongyan Lingzhi इस व्यापक लक्ष्य को Recursive Self-Improving Personal AI कहती है—ऐसी प्रणालियाँ जो इस्तेमाल के साथ व्यक्तिगत क्षमताओं को लगातार अपडेट कर सकें।3 हालांकि, उपलब्ध कवरेज किसी पूरी तरह स्वचालित चक्र की पुष्टि नहीं करती: काम के रिकॉर्ड, मानवीय सुधार और नतीजे जुटाना; हर उपयोगकर्ता के लिए मूल्यांकन बनाना; उपयोगी प्रतिक्रिया के दोहराए जाने वाले पैटर्न पहचानना; एडॉप्टर अपडेट करना; और फिर बदलाव जाँचना या खराब बदलाव वापस लेना।
यह फर्क अहम है। सीखने की रणनीति का वर्णन होना इस बात का प्रमाण नहीं कि पूरी प्रणाली लागू हो चुकी है। रिपोर्टिंग अनुभव और कार्यप्रवाह को विकसित होती मॉडल-क्षमताओं में बदलने की महत्वाकांक्षा दिखाती है, पर यह स्पष्ट नहीं करती कि प्रस्तावित चक्र के कौन-से हिस्से स्वचालित हैं या उत्पादन के लिए तैयार हैं।3
बुनियादी ढाँचा: TIP और Paged LoRA
लगातार निजीकरण के लिए एक व्यावहारिक चुनौती है: मॉडल को अपडेट करते हुए सेवा जारी रखनी होगी, और बहुत से व्यक्तिगत एडॉप्टर सँभालने होंगे—बिना हर उपयोगकर्ता के लिए पूरा अलग मॉडल तैनात किए।
TIP, यानी ट्रेनिंग-इन्फरेंस समानांतरता, इन कामों के बीच संसाधन साझा करने के लिए प्रस्तावित है। रिपोर्टिंग में एक ही GPU पर ट्रेनिंग और इन्फरेंस चलाने, उन्हें एक ही बैच में साथ करने, ग्रेडिएंट को असिंक्रोनस तरीके से जमा करने और ट्रेनिंग व इन्फरेंस की भूमिकाओं के बीच तेज़ी से स्विच करने जैसी तकनीकों का उल्लेख है। उद्देश्य यह है कि उपलब्ध कंप्यूट का इस्तेमाल Personal LoRA अपडेट के लिए भी हो सके और ऑनलाइन सेवा जारी रहे—अलग ट्रेनिंग संसाधन-समूह की ज़रूरत कम पड़े।4
Paged LoRA एडॉप्टर की मेमोरी सँभालने पर केंद्रित है। रिपोर्ट किए गए डिज़ाइन में paging और ज़रूरत के मुताबिक मेमोरी मैप करने का तरीका इस्तेमाल होता है, ताकि कई Personal LoRA एडॉप्टर एक बेस मॉडल और GPU संसाधनों को साझा कर सकें।4 ये दक्षता के लक्ष्य हैं; रिपोर्टिंग यह साबित नहीं करती कि हज़ारों लगातार अपडेट होने वाले एडॉप्टर पहले से किफ़ायती ढंग से उत्पादन में चल रहे हैं। सैकड़ों भूमिकाओं और हज़ारों एजेंटों का पैमाना एक संभावित कार्यभार के तौर पर बताया गया है, सत्यापित तैनाती के नतीजे के रूप में नहीं।
Qwen2.5 परीक्षण से क्या पता चलता है—और क्या नहीं
एक रिपोर्ट में Qwen2.5-72B-Instruct और Nvidia H800 के आठ GPU पर Paged LoRA की तुलना पारंपरिक “Flat” LoRA से करने का चरणबद्ध परीक्षण बताया गया है। दोनों के लिए एडॉप्टर-मेमोरी बजट 5.79 GB रखा गया था। इससे परीक्षण का बताया गया सेटअप तो पता चलता है, लेकिन उपलब्ध अंश में तुलना के लिए latency के आँकड़े या सबसे धीमे अनुरोधों के नतीजे नहीं दिए गए। इसलिए सवाल में बताए गए ट्रैफ़िक स्तरों पर प्रदर्शन का अंतर भी पाठक सत्यापित नहीं कर सकते।
पूरी serving benchmark रिपोर्ट भी बड़े सवाल का केवल एक हिस्सा सुलझाएगी। उससे जाँची गई परिस्थितियों में एडॉप्टर चलाने की दक्षता का अंदाज़ मिल सकता है, लेकिन यह अपने-आप साबित नहीं होगा कि व्यक्तिगत क्षमताएँ अच्छी तरह सीखी गईं, बेस मॉडल बदलने पर वे बनी रहेंगी, या अपडेट से पुराना प्रदर्शन खराब नहीं होगा।
क्या पता है, और क्या खुला सवाल है
22 अक्टूबर 2026 तक की रिपोर्टिंग से जो तस्वीर सामने आती है, वह है: साझा बेस मॉडल और व्यक्तिगत पैरामीटर वाला ढाँचा; पेशेवर अनुभव से लगातार सीखने की महत्वाकांक्षा; और ट्रेनिंग-इन्फरेंस के तालमेल तथा एडॉप्टर मेमोरी के प्रबंधन पर बुनियादी ढाँचे का काम।3
4
उपलब्ध जानकारी यह स्थापित नहीं करती कि कौन-से हिस्से उत्पादन के लिए तैयार हैं, पूरा स्व-सुधार चक्र स्वचालित है या नहीं, और बेस मॉडल बदलने पर एडॉप्टर को ढालने या खराब अपडेट वापस लेने का प्रदर्शन किया गया है या नहीं।3
4 Qwen2.5 परीक्षण के latency या सबसे धीमे अनुरोधों के प्रदर्शन से जुड़े विशिष्ट दावों की पुष्टि के लिए भी पर्याप्त बेंचमार्क विवरण नहीं है।
इस तरीके को परखने के लिए कुछ अहम सवाल बाकी हैं: उपयोगी सीख को शोरभरी या भ्रामक प्रतिक्रिया से कैसे अलग किया जाएगा? अपडेट से पहले की क्षमताएँ कमजोर तो नहीं होंगी? और उपयोगकर्ता की ज़रूरत या बेस मॉडल बदलने पर निजीकरण का मूल्यांकन कैसे होगा? ये खुले मूल्यांकन-संबंधी सवाल हैं—कंपनी द्वारा लागू किए जा चुके सुरक्षा उपायों की पुष्टि नहीं।
सीधी बात यह है कि Tongyan Lingzhi ने ऐसी Personal AI संरचना पेश की है जिसका लक्ष्य हल्के मॉडल पैरामीटर में टिकाऊ, विशिष्ट क्षमताएँ दर्ज करना है, और इसे व्यावहारिक बनाने के लिए बुनियादी ढाँचे पर काम किया जा रहा है। उपलब्ध रिपोर्टिंग इस दिशा का समर्थन करती है, लेकिन यह नहीं दिखाती कि स्वायत्त और पुराने प्रदर्शन को सुरक्षित रखने वाली पूरी प्रणाली—या माँगे गए संख्यात्मक प्रदर्शन सुधार—पहले ही साबित हो चुके हैं।2
3
4
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।
लोग पूछते भी हैं
"क्या AI किसी व्यक्ति या संगठन का अनुभव अपने मॉडल में सीख सकता है?" का संक्षिप्त उत्तर क्या है?
Tongyan Lingzhi का लक्ष्य केवल प्रॉम्प्ट या याद रखी जानकारी पर निर्भर रहने के बजाय, व्यक्ति या संगठन का अनुभव साझा बेस मॉडल के ऊपर हल्के व्यक्तिगत पैरामीटर में ढालना है।
सबसे पहले सत्यापित करने योग्य मुख्य बिंदु क्या हैं?
Tongyan Lingzhi का लक्ष्य केवल प्रॉम्प्ट या याद रखी जानकारी पर निर्भर रहने के बजाय, व्यक्ति या संगठन का अनुभव साझा बेस मॉडल के ऊपर हल्के व्यक्तिगत पैरामीटर में ढालना है। TIP का मकसद ट्रेनिंग और इन्फरेंस के लिए GPU संसाधन साझा करना है; Paged LoRA कई एडॉप्टर की मेमोरी को अधिक लचीले ढंग से सँभालने के लिए बनाया गया है।
मुझे अभ्यास में आगे क्या करना चाहिए?
उपलब्ध रिपोर्टिंग पूरी तरह स्वचालित सीखने की प्रक्रिया, बेस मॉडल बदलने पर व्यक्तिगत क्षमताओं की संगतता, या Qwen2.5 परीक्षण के विस्तृत प्रदर्शन आँकड़ों की पुष्टि नहीं करती।