AnswersPublished17 sources
Tongyan Lingzhi vil lære AI å bli personlig – helt ned i modellvektene
Tongyan Lingzhis uttalte strategi er å legge lette, personlige modellparametere oppå en felles grunnmodell, slik at erfaring kan bli en varig del av AI ens kompetanse.[5][6][7] Selskapet beskriver metoder for å dele GPU ressurser mellom trening og bruk, og for å håndtere mange personlige LoRA adaptere.[4][11] Kilden...
Publisert avRedigert med GPT-6 LunaBilder generert med GPT Image 2
Research answer
Key takeaways
- Tongyan Lingzhis uttalte strategi er å legge lette, personlige modellparametere oppå en felles grunnmodell, slik at erfaring kan bli en varig del av AI ens kompetanse.[5][6][7]
- Selskapet beskriver metoder for å dele GPU ressurser mellom trening og bruk, og for å håndtere mange personlige LoRA adaptere.[4][11]
- Kildene dokumenterer ikke en fullt automatisert læringssløyfe med pålitelig evaluering, regresjonstesting og tilbakerulling.
- De tilgjengelige opplysningene bekrefter heller ikke de konkrete tallene for latenstid i Qwen2.5 72B Instruct testen som spørsmålet viser til.
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 vil at AI skal gjøre mer enn å hente fram opplysninger om en bruker. Selskapets idé er at modellen gradvis skal lære av fagkunnskap og erfaring, og lagre noe av dette i personlige modellparametere – oppå en felles grunnmodell.5
6
7
Det er en ambisiøs retning for såkalt Personal AI. Men det er viktig å skille mellom strategien selskapet har beskrevet, og hva kildene faktisk viser at er ferdig utviklet.
Fra å huske til å lære
Mange AI-systemer tilpasser svarene sine ved hjelp av instruksjoner, minnefunksjoner eller søk i eksterne kilder. Tongyan Lingzhis argument er at dette ikke alltid er nok: erfaring kan også være taus og vanskelig å hente fram som ferdig tekst. Selskapet vil derfor gjøre utvalgt erfaring til en mer varig del av modellens måte å løse oppgaver på.5
6
Den foreslåtte arkitekturen består av en felles Base Model og lettere, personlige parametere. I tidligere omtale omtales disse som Personal LoRA-adaptere, som kan tilpasses ulike brukere, prosjekter eller virksomheter uten å trene en helt ny grunnmodell for hver av dem.5
6
Selskapets tekniske leder skiller mellom flere roller: minne tar vare på historikk, RAG henter inn ekstern kunnskap, og agenter kan organisere oppgaver. Personalisering på parameternivå skal i stedet bidra til at modellen utvikler en mer tilpasset måte å vurdere oppgaver på.5
Å holde de personlige parameterne adskilt fra grunnmodellen kan også gjøre det mulig å bygge videre på personaliseringen etter hvert som grunnmodellene blir bedre.5 Men kildene viser ikke hvordan adapterne skal flyttes, trenes på nytt eller kvalitetssikres når grunnmodellen endres. Det er heller ikke dokumentert at de samme LoRA-vektene fungerer uendret på tvers av modellversjoner.
Hva vet vi om selvforbedring?
I omtale publisert 22. oktober beskrives Tongyan Lingzhi som et selskap som vil gjøre fagkunnskap, arbeidsflyt og langsiktig vurderingsevne til egenskaper som kan utvikle seg over tid.7 Selskapet omtaler retningen som Recursive Self-Improving Personal AI – personlig AI som forbedres gjennom gjentatte læringsrunder.
En omtale publisert dagen etter sier at personlige LoRA-adaptere bare skal oppdateres dersom den nye versjonen gjør det bedre enn den forrige på de samme oppgavene.47 Det peker på en sammenligningsbasert godkjenningsregel, men opplysningen kom etter skjæringsdatoen 22. oktober.
47
Det tilgjengelige kildematerialet bekrefter ikke hele læringsløkken: å samle oppgavespor, menneskelige rettelser og resultater; lage pålitelige evalueringer for hver bruker; finne gjentakende mønstre; gjøre gradvise oppdateringer; teste mot tidligere oppgaver og rulle tilbake dersom ytelsen går ned.
Dermed er det for tidlig å beskrive dette som en ferdig, helautomatisert prosess. Kildene viser en uttalt retning og enkelte beskrevne tekniske grep, men ikke at hele systemet er demonstrert i drift.
Skal gjøre personalisering billigere å kjøre
Kontinuerlig tilpasning stiller også krav til infrastrukturen. Hvis en tjeneste skal betjene mange roller, brukere eller AI-agenter med ulike parametere, kan separate oppsett for trening og løpende bruk bli ressurskrevende. Tongyan Lingzhi beskriver derfor teknikker for å dele beregningsressurser mellom oppgavene.4
En av dem kalles TIP, for trening og inferens i parallell. Ifølge omtalen brukes de samme GPU-ene og batchene til trening og inferens, med blant annet asynkron oppsamling av gradienter og rask veksling mellom trenings- og inferensoppgaver. Målet er å kunne oppdatere personlige parametere uten å sette av en helt separat ressurspark til trening, samtidig som nettjenesten fortsatt kan betjenes.4
Paged LoRA handler om håndtering av minne når mange adaptere brukes mot samme grunnmodell. I stedet for at hver adapter ligger fast i GPU-minnet i store, faste enheter, beskrives en løsning med sidebasert minnehåndtering og innlasting ved behov. Tanken er at flere personlige LoRA-adaptere dermed kan dele grunnmodell og GPU-ressurser mer fleksibelt.11
Omtalen trekker fram hundrevis av roller og tusenvis av agenter som et mulig behov som gjør slike effektiviseringer relevante.4 Det dokumenterer ikke i seg selv at tusenvis av adaptere allerede lærer kontinuerlig og drives økonomisk i produksjon.
Mangler tall for den konkrete ytelsestesten
Opplysningene som er tilgjengelige, bekrefter ikke den spesifikke testen med Qwen2.5-72B-Instruct, åtte Nvidia H800-GPU-er, et minnebudsjett på 5,79 GB for adapterne og sammenligning mellom 1–30 prosent og 50 prosent LoRA-trafikk.
- De rapporterte reduksjonene i latenstid, målinger for høy latenstid og eventuell svekkelse ved 50 prosent trafikk kan ikke fastslås ut fra kildene her.
- Utdraget fra Qwens tekniske rapport handler om kvalitetsmålinger av modeller, ikke om denne testen av adapterlasting og servering. Det kan derfor ikke bekrefte resultatene.
3
- Selv om testoppsettet er som beskrevet i spørsmålet, ville en ytelsestest alene ikke dokumentere læringskvalitet, motstand mot glemsel, kompatibilitet etter bytte av grunnmodell eller kostnaden ved en komplett trenings- og evalueringssløyfe.
Hva er dokumentert – og hva gjenstår?
Per 22. oktober 2026 støtter kildene at Tongyan Lingzhi har beskrevet en strategi med felles grunnmodell og personlige parametere, et mål om kontinuerlig læring og teknisk arbeid med samkjørt trening og inferens samt minnehåndtering for adaptere.4
5
7
Kildene fastslår ikke hvilke deler som er klare for produksjon og hvilke som fortsatt er prototyper. De viser heller ikke at hele selvforbedringssløyfen er automatisert, eller at selskapet har demonstrert migrering mellom grunnmodeller og tilbakerulling etter en regresjon.
For å vurdere et slikt system må man blant annet undersøke om læringssignalene er pålitelige, om ny læring svekker tidligere ferdigheter, om feilaktig eller manipulert tilbakemelding kan forurense modellen, og om modellen endrer seg uønsket når både brukernes behov og grunnmodellen utvikler seg. Dette er viktige evalueringsspørsmål – ikke dokumenterte påstander om hvilke sikkerhetstiltak Tongyan Lingzhi allerede har innført.
Den mest nøkterne konklusjonen er at selskapet har lagt fram en tydelig idé om personalisering i modellvektene, sammen med teknikker som skal gjøre den billigere å drifte. Det tilgjengelige materialet viser derimot ikke at selskapet har et modent, autonomt og trygt selvforbedrende system – eller bekrefter de konkrete ytelsestallene som etterspørres.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 vil lære AI å bli personlig – helt ned i modellvektene"?
Tongyan Lingzhis uttalte strategi er å legge lette, personlige modellparametere oppå en felles grunnmodell, slik at erfaring kan bli en varig del av AI ens kompetanse.[5][6][7]
What are the key points to validate first?
Tongyan Lingzhis uttalte strategi er å legge lette, personlige modellparametere oppå en felles grunnmodell, slik at erfaring kan bli en varig del av AI ens kompetanse.[5][6][7] Selskapet beskriver metoder for å dele GPU ressurser mellom trening og bruk, og for å håndtere mange personlige LoRA adaptere.[4][11]
What should I do next in practice?
Kildene dokumenterer ikke en fullt automatisert læringssløyfe med pålitelig evaluering, regresjonstesting og tilbakerulling.