AnswersPublished13 sources
Tongyan Lingzhi chce, by AI uczyła się doświadczenia użytkownika
Tongyan Lingzhi chce utrwalać wiedzę i umiejętności użytkowników w lekkich, spersonalizowanych parametrach modelu, zamiast ograniczać się do promptów czy wyszukiwania informacji. TIP ma łączyć trenowanie i obsługę zapytań na współdzielonych zasobach GPU, a Paged LoRA — sprawniej zarządzać pamięcią wielu adapterów.
Opublikowane przezEdytowane za pomocą GPT-6 LunaObrazy wygenerowane za pomocą GPT Image 2
Research answer
Key takeaways
- Tongyan Lingzhi chce utrwalać wiedzę i umiejętności użytkowników w lekkich, spersonalizowanych parametrach modelu, zamiast ograniczać się do promptów czy wyszukiwania informacji.
- TIP ma łączyć trenowanie i obsługę zapytań na współdzielonych zasobach GPU, a Paged LoRA — sprawniej zarządzać pamięcią wielu adapterów.
- Dostępne źródła opisują kierunek rozwoju, ale nie potwierdzają pełnego, automatycznego procesu samodoskonalenia ani konkretnych wyników wydajnościowych testu Qwen2.5.
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 rozwija koncepcję Personal AI, która miałaby utrwalać zawodową wiedzę i doświadczenie użytkownika w parametrach spersonalizowanego modelu. To krok dalej niż dostarczanie AI informacji w prompcie lub pobieranie ich z pamięci i wyszukiwarki. Firma opisuje architekturę i kierunek prac, ale dostępne materiały nie dowodzą, że cały proces uczenia — wraz z zabezpieczeniami — działa już w produkcji.2
3
Nie tylko pamięć i kontekst
Wiele systemów AI dostosowuje odpowiedzi do użytkownika, korzystając z kontekstu podanego podczas generowania: instrukcji, zapisanych informacji albo materiałów wyszukanych na bieżąco. Tongyan Lingzhi chce pójść dalej i wykorzystać personalizowany trening, tak by powtarzające się doświadczenia wpływały na parametry modelu.
Proponowana architektura składa się z dwóch części. Wspólny model bazowy zapewnia ogólne możliwości, a parametry personalizowane mają przechowywać wiedzę i sposób działania charakterystyczny dla konkretnej osoby, projektu, stanowiska czy organizacji. Według opisów chodzi o lekkie adaptery Personal LoRA — nie o trenowanie od zera osobnego dużego modelu dla każdego użytkownika.2
3
To rozdzielenie jest sednem koncepcji: model bazowy odpowiada za kompetencje ogólne, a dodatkowe parametry mają kodować doświadczenie właściwe dla danej osoby lub zespołu. Nie wiadomo jednak, jak adaptery miałyby być przenoszone, ponownie trenowane i sprawdzane po zmianie modelu bazowego. Dostępne informacje nie potwierdzają więc, że indywidualne parametry pozostaną zgodne z kolejnymi wersjami modelu bez dodatkowych prac.2
3
Od zapamiętywania do uczenia się
Tongyan Lingzhi przedstawia swój pomysł jako przejście od gromadzenia informacji do rozpoznawania, które doświadczenia warto trwale zapisać w możliwościach modelu. W tym ujęciu pamięć przechowuje informacje, wyszukiwanie dostarcza zewnętrzną wiedzę, a personalizacja na poziomie parametrów ma pomagać utrwalać powtarzające się umiejętności i oceny.
Firma określa szerszą ambicję mianem Recursive Self-Improving Personal AI — Personal AI, która miałaby stale rozwijać swoje indywidualne możliwości w miarę użytkowania.3 To jednak nie to samo co potwierdzony, działający automatycznie proces. Dostępne materiały nie pokazują pełnego cyklu obejmującego zbieranie przebiegu zadań, poprawek od ludzi i wyników, tworzenie testów dla konkretnego użytkownika, wyłapywanie powtarzających się sygnałów, aktualizację adapterów oraz testowanie zmian i ich cofanie w razie regresji.
Rozróżnienie jest istotne: opis strategii uczenia nie stanowi dowodu, że gotowy system realizuje ją samodzielnie. Źródła potwierdzają ambicję przekształcania wiedzy zawodowej i sposobów pracy w rozwijane możliwości modelu, ale nie wskazują, które etapy są zautomatyzowane ani gotowe do wdrożeń produkcyjnych.3
Jak TIP i Paged LoRA mają ograniczyć koszty
Ciągła personalizacja stawia przed infrastrukturą konkretne wyzwanie: system musi jednocześnie obsługiwać zapytania i aktualizować modele, a przy tym zarządzać wieloma adapterami bez uruchamiania osobnego pełnego modelu dla każdego użytkownika.
TIP, czyli równoległe trenowanie i wnioskowanie, ma koordynować te zadania. W opisach wymieniono m.in. współdzielenie kart GPU przez trening i obsługę zapytań, wykonywanie obu zadań w tych samych partiach, asynchroniczne gromadzenie gradientów oraz szybkie przełączanie między rolami treningowymi i inferencyjnymi. Celem jest wykorzystanie dostępnych zasobów do aktualizacji Personal LoRA przy równoczesnym utrzymaniu usługi online, zamiast budowania osobnej puli sprzętu do trenowania.4
Paged LoRA ma usprawniać zarządzanie pamięcią adapterów. Zamiast rezerwować dla każdego z nich duży, stale zajęty obszar pamięci, rozwiązanie ma korzystać ze stronicowania i mapowania na żądanie. Dzięki temu wiele adapterów Personal LoRA mogłoby elastyczniej współdzielić model bazowy i zasoby GPU.4
To cele optymalizacyjne, a nie potwierdzenie wdrożenia na dużą skalę. Źródła przedstawiają setki stanowisk i tysiące agentów jako obciążenie, które uzasadnia takie rozwiązania, ale nie dowodzą, że tysiące stale aktualizowanych adapterów działa już ekonomicznie w produkcji.
Co wiadomo o teście Qwen2.5?
Jeden z opisów przedstawia etapowy test porównujący Paged LoRA z tradycyjnym wariantem „Flat”. Wykorzystano w nim model Qwen2.5-72B-Instruct na ośmiu kartach Nvidia H800, a budżet pamięci adapterów ustalono na 5,79 GB. To informacja o konfiguracji eksperymentu, ale dostępny fragment nie zawiera porównawczych wartości opóźnienia ani wyników dla wysokich percentyli — miar pokazujących, jak wolno mogą odpowiadać najwolniejsze zapytania. Nie pozwala też zweryfikować różnic przy poziomach ruchu omawianych w pytaniu.
Nawet pełny test szybkości obsługi zapytań odpowiadałby tylko na część pytań. Mógłby pokazać, jak sprawnie zarządzane są adaptery w określonych warunkach, ale sam nie dowiódłby jakości nabywanych umiejętności, zgodności adapterów po zmianie modelu bazowego ani tego, czy aktualizacje nie pogarszają wcześniejszych wyników.
Co potwierdzono, a co pozostaje otwarte?
Według materiałów opublikowanych do 22 października 2026 r. Tongyan Lingzhi opisało podejście oparte na wspólnym modelu bazowym i indywidualnych parametrach, ambicję ciągłego uczenia się z doświadczeń zawodowych oraz prace nad współdzieleniem zasobów treningowych i pamięcią adapterów.3
4
Dostępne źródła nie ustalają, które elementy są gotowe do produkcji, czy pełna pętla samodoskonalenia działa automatycznie ani czy zademonstrowano przenoszenie adapterów między wersjami modelu bazowego i cofanie zmian powodujących regresję.3
4 Brakuje też szczegółowych danych, by potwierdzić konkretne twierdzenia o opóźnieniach w teście Qwen2.5.
Przy ocenie tej koncepcji pozostają więc ważne pytania: jak odróżniać użyteczną informację zwrotną od błędnej, jak sprawdzać, czy nowe uczenie nie osłabia wcześniejszych umiejętności, oraz jak oceniać personalizację, gdy zmieniają się potrzeby użytkownika lub sam model bazowy. To kwestie do zbadania, a nie potwierdzone zabezpieczenia wdrożone przez firmę.
Najostrożniejszy wniosek jest taki: Tongyan Lingzhi opisało Personal AI, która ma utrwalać konkretne umiejętności w lekkich parametrach modelu, oraz infrastrukturę mającą ułatwić jej rozwój. Dostępne materiały potwierdzają kierunek prac, ale nie dowodzą, że powstał autonomiczny i odporny na regresje system ani że osiągnięto konkretne, liczbowe poprawy wydajności.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 "Tongyan Lingzhi chce, by AI uczyła się doświadczenia użytkownika"?
Tongyan Lingzhi chce utrwalać wiedzę i umiejętności użytkowników w lekkich, spersonalizowanych parametrach modelu, zamiast ograniczać się do promptów czy wyszukiwania informacji.
What are the key points to validate first?
Tongyan Lingzhi chce utrwalać wiedzę i umiejętności użytkowników w lekkich, spersonalizowanych parametrach modelu, zamiast ograniczać się do promptów czy wyszukiwania informacji. TIP ma łączyć trenowanie i obsługę zapytań na współdzielonych zasobach GPU, a Paged LoRA — sprawniej zarządzać pamięcią wielu adapterów.
What should I do next in practice?
Dostępne źródła opisują kierunek rozwoju, ale nie potwierdzają pełnego, automatycznego procesu samodoskonalenia ani konkretnych wyników wydajnościowych testu Qwen2.5.