AnswersPublished13 sources
Apabila pengalaman kerja mahu dijadikan keupayaan dalam model AI
Tongyan Lingzhi mencadangkan model asas bersama yang dilengkapi parameter peribadi ringan, agar kemahiran khusus tidak bergantung semata mata pada arahan atau maklumat yang dicari semula. TIP bertujuan berkongsi sumber GPU antara latihan dan inferens, manakala Paged LoRA direka untuk mengurus banyak adapter dengan l...
Diterbitkan olehDisunting dengan GPT-6 LunaImej dijana dengan GPT Image 2
Research answer
Key takeaways
- Tongyan Lingzhi mencadangkan model asas bersama yang dilengkapi parameter peribadi ringan, agar kemahiran khusus tidak bergantung semata mata pada arahan atau maklumat yang dicari semula.
- TIP bertujuan berkongsi sumber GPU antara latihan dan inferens, manakala Paged LoRA direka untuk mengurus banyak adapter dengan lebih fleksibel.
- Laporan belum mengesahkan keseluruhan gelung pembelajaran kendiri, kesediaan setiap komponen untuk produksi atau angka prestasi terperinci bagi ujian Qwen2.5 yang dilaporkan.
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 sedang membangunkan visi AI peribadi yang menjadikan pengetahuan dan pengalaman profesional sebagai keupayaan khusus pengguna atau organisasi. Cadangannya menggabungkan model asas bersama dengan parameter peribadi yang ringan. Namun, laporan yang tersedia menerangkan hala tuju ini—bukan bukti bahawa keseluruhan proses pembelajaran dan semua langkah perlindungannya sudah beroperasi dalam produksi.2
3
Memperibadikan model, bukan sekadar konteks
Banyak sistem AI menyesuaikan jawapan dengan membekalkan konteks ketika digunakan, seperti arahan, bahan yang ditemui semula atau maklumat tersimpan. Tongyan Lingzhi menyatakan hasrat untuk melangkah lebih jauh: menggunakan latihan peribadi supaya pengalaman terkumpul dapat membentuk parameter model.
Reka bentuk yang dicadangkan memisahkan keupayaan umum daripada pemperibadian. Base Model menyediakan keupayaan asas yang luas, sementara Personal Parameters membawa pengetahuan atau tingkah laku khusus untuk seseorang, projek, peranan atau organisasi. Laporan menggambarkan parameter peribadi ini sebagai adapter Personal LoRA yang ringan—bukan model asas berasingan yang dilatih dari awal untuk setiap pengguna.2
3
Pemisahan ini menjadi teras pendekatan tersebut: model asas menyediakan kecerdasan umum, manakala parameter peribadi menyimpan keupayaan khusus yang terkumpul. Tetapi laporan yang ada tidak menerangkan cara adapter itu akan dipindahkan, dilatih semula atau disahkan apabila model asas berubah. Jadi, belum ada bukti bahawa adapter peribadi akan kekal serasi selepas kemas kini model asas.2
3
Daripada menyimpan maklumat kepada pembelajaran berterusan
Tongyan Lingzhi membingkaikan pendekatannya sebagai peralihan daripada sekadar mengingati maklumat kepada mempelajari pengalaman yang wajar dijadikan keupayaan model yang berkekalan. Dalam kerangka ini, memori menyimpan maklumat, sistem pencarian semula membekalkan pengetahuan luaran, manakala pemperibadian pada peringkat parameter bertujuan menanam kepakaran atau pertimbangan yang berulang.
Syarikat itu menyifatkan cita-cita lebih luas ini sebagai Recursive Self-Improving Personal AI: sistem yang boleh terus mengemas kini keupayaan peribadi melalui penggunaan.3 Namun, laporan yang tersedia tidak mengesahkan adanya proses automatik lengkap yang mengumpulkan rekod tugasan, pembetulan manusia dan hasil; membina penilai khusus pengguna; mengenal pasti corak maklum balas yang berguna; mengemas kini adapter; serta menguji atau mengembalikan perubahan.
Perbezaan ini penting. Penerangan tentang strategi pembelajaran bukan dengan sendirinya bukti bahawa sistem lengkap sudah dilaksanakan. Laporan menyokong cita-cita untuk menjadikan pengetahuan profesional dan aliran kerja sebagai keupayaan model yang terus berkembang, tetapi tidak menunjukkan bahagian mana dalam gelung yang dicadangkan itu sudah diautomasikan atau sedia untuk produksi.3
Infrastruktur: TIP dan Paged LoRA
Pemperibadian berterusan menimbulkan cabaran infrastruktur: sistem perlu menyokong kemas kini model sambil terus melayan permintaan, dan mengurus banyak adapter peribadi tanpa menyediakan satu model penuh bagi setiap pengguna.
TIP, atau latihan-inferens selari, bertujuan menyelaraskan keperluan tersebut. Laporan menyebut teknik seperti berkongsi GPU antara latihan dan inferens, menjalankan kedua-duanya dalam kelompok yang sama, mengumpulkan kecerunan secara tak segerak, serta bertukar dengan pantas antara tugas latihan dan inferens. Tujuannya ialah menggunakan kapasiti pengkomputeran yang tersedia untuk kemas kini Personal LoRA sambil mengekalkan perkhidmatan dalam talian, tanpa bergantung pada kumpulan sumber latihan yang berasingan.4
Paged LoRA pula menangani pengurusan memori adapter. Reka bentuk yang dilaporkan menggunakan pengurusan berhalaman dan pemetaan mengikut keperluan, supaya lebih banyak adapter Personal LoRA boleh berkongsi model asas dan sumber GPU.4 Ini ialah sasaran kecekapan; laporan tidak membuktikan bahawa ribuan adapter yang sentiasa dikemas kini sudah beroperasi secara ekonomik dalam produksi. Skala ratusan peranan dan ribuan ejen diterangkan sebagai beban kerja yang mendorong pembangunan ini, bukannya hasil penggunaan yang telah disahkan.
Apa yang ditunjukkan—dan tidak ditunjukkan—oleh ujian Qwen2.5
Satu laporan menerangkan perbandingan berperingkat antara Paged LoRA dengan LoRA konvensional, yang disebut “Flat”, menggunakan Qwen2.5-72B-Instruct pada lapan GPU Nvidia H800 dengan bajet memori adapter sebanyak 5.79 GB. Maklumat ini memberikan konfigurasi ujian yang dilaporkan, tetapi petikan yang tersedia tidak menyatakan angka perbandingan kependaman atau keputusan kependaman pada persentil tinggi. Ia juga tidak membolehkan pembaca mengesahkan perbezaan prestasi pada tahap trafik yang dibangkitkan dalam persoalan asal.
Walaupun keputusan penanda aras perkhidmatan lengkap tersedia, ia hanya menjawab sebahagian daripada persoalan yang lebih besar. Ujian itu mungkin membantu menilai kecekapan penyajian adapter dalam keadaan tertentu, tetapi tidak membuktikan mutu keupayaan peribadi yang dipelajari, keserasiannya apabila model asas berubah, atau sama ada kemas kini mengelakkan kemerosotan prestasi terdahulu.
Apa yang disokong laporan, dan apa yang masih terbuka
Berdasarkan laporan bertarikh 22 Oktober 2026, perkara yang disokong ialah strategi model asas bersama dengan parameter peribadi; cita-cita untuk terus belajar daripada pengalaman profesional; serta usaha infrastruktur bagi menyelaraskan latihan dengan inferens dan mengurus memori adapter.3
4
Laporan yang tersedia tidak memastikan komponen mana sudah sedia untuk produksi, sama ada keseluruhan gelung pembelajaran kendiri diautomasikan, atau sama ada pemindahan ke model asas baharu dan pengembalian perubahan yang menjejaskan prestasi pernah ditunjukkan.3
4 Laporan itu juga tidak memberikan butiran penanda aras yang mencukupi untuk menyokong dakwaan khusus tentang kependaman atau prestasi pada persentil tinggi dalam ujian Qwen2.5.
Beberapa persoalan masih penting untuk menilai pendekatan ini: bagaimana isyarat pembelajaran yang berguna dibezakan daripada maklum balas yang bising atau mengelirukan; bagaimana kemas kini diuji untuk mengesan kemerosotan atau kehilangan keupayaan terdahulu; dan bagaimana pemperibadian dinilai apabila keperluan pengguna atau model asas berubah. Ini ialah persoalan penilaian yang masih terbuka—bukan perlindungan yang telah disahkan sebagai dilaksanakan oleh syarikat.
Kesimpulan paling jelas ialah Tongyan Lingzhi telah menerangkan seni bina AI peribadi yang mahu meletakkan keupayaan khusus dan berkekalan dalam parameter model yang ringan, bersama infrastruktur untuk menjadikan pendekatan itu lebih praktikal. Laporan menyokong hala tuju tersebut, tetapi belum membuktikan bahawa sistem kendiri yang selamat daripada kemerosotan prestasi—atau peningkatan prestasi berangka yang diminta—sudah ditunjukkan.2
3
4
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 "Apabila pengalaman kerja mahu dijadikan keupayaan dalam model AI"?
Tongyan Lingzhi mencadangkan model asas bersama yang dilengkapi parameter peribadi ringan, agar kemahiran khusus tidak bergantung semata mata pada arahan atau maklumat yang dicari semula.
What are the key points to validate first?
Tongyan Lingzhi mencadangkan model asas bersama yang dilengkapi parameter peribadi ringan, agar kemahiran khusus tidak bergantung semata mata pada arahan atau maklumat yang dicari semula. TIP bertujuan berkongsi sumber GPU antara latihan dan inferens, manakala Paged LoRA direka untuk mengurus banyak adapter dengan lebih fleksibel.
What should I do next in practice?
Laporan belum mengesahkan keseluruhan gelung pembelajaran kendiri, kesediaan setiap komponen untuk produksi atau angka prestasi terperinci bagi ujian Qwen2.5 yang dilaporkan.