ОтветыОпубликовано13 источники
Tongyan Lingzhi хочет, чтобы персональный ИИ учился на опыте
Tongyan Lingzhi предлагает переносить личные навыки в лёгкие параметры модели на общей базе, а не полагаться только на промпты и найденный контекст. TIP призвана объединять ресурсы для обучения и обработки запросов, а Paged LoRA — гибче управлять памятью множества адаптеров.
ОпубликовалОтредактировано с помощью GPT-6 LunaИзображения созданы с помощью GPT Image 2
Ответ на исследование
Ключевые выводы
- Tongyan Lingzhi предлагает переносить личные навыки в лёгкие параметры модели на общей базе, а не полагаться только на промпты и найденный контекст.
- TIP призвана объединять ресурсы для обучения и обработки запросов, а Paged LoRA — гибче управлять памятью множества адаптеров.
- Публикации описывают направление разработки, но не подтверждают, что весь цикл самообучения уже автоматизирован или готов к эксплуатации.
Промпт ИИ
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 развивает концепцию персонального ИИ, в которой профессиональные знания и накопленный опыт должны становиться частью возможностей модели для конкретного человека, проекта или организации. Архитектура сочетает общую базовую модель с лёгкими персональными параметрами. Однако публикации описывают направление работы, а не доказывают, что весь цикл обучения и все необходимые механизмы защиты уже действуют в промышленной эксплуатации.2
3
Не только память и контекст
Многие ИИ-системы подстраивают ответы, добавляя контекст во время запроса: инструкции в промпте, найденные материалы или сохранённые сведения. Tongyan Lingzhi заявляет более амбициозную цель — использовать персонализированное обучение, чтобы накопленный опыт влиял на параметры модели.
Предлагаемая архитектура разделяет общие способности и персонализацию. Base Model отвечает за широкий набор возможностей, а Personal Parameters хранят знания и поведенческие особенности, относящиеся к человеку, проекту, роли или организации. В публикациях персональные параметры описаны как лёгкие адаптеры Personal LoRA, а не как отдельные базовые модели, которые пришлось бы обучать с нуля для каждого пользователя.2
3
В этом и состоит основная идея: базовая модель обеспечивает общие способности, а персональные параметры — накопленный специфический опыт. При этом доступные материалы не объясняют, как адаптеры будут переносить, переобучать или проверять при обновлении базовой модели. Поэтому пока нельзя утверждать, что персональные адаптеры гарантированно сохранят совместимость с её новыми версиями.2
3
От хранения сведений — к обучению на опыте
Tongyan Lingzhi описывает свой подход как переход от простого запоминания к отбору опыта, который достоин стать устойчивой способностью модели. В этой логике память сохраняет сведения, поиск подключает внешние знания, а персонализация на уровне параметров должна закреплять повторяющуюся экспертизу и способы принятия решений.
Более широкую цель компания называет Recursive Self-Improving Personal AI — персональным ИИ, который со временем обновляет свои возможности.3 Но опубликованные материалы не подтверждают, что уже работает полный автоматизированный цикл: сбор примеров задач, исправлений от людей и результатов; создание оценок под конкретного пользователя; поиск повторяющихся полезных сигналов; обновление адаптеров; проверка изменений и откат неудачных версий.
Разница существенна: описание подхода к обучению само по себе не доказывает, что система полностью реализована. Публикации говорят о стремлении превращать профессиональные знания и рабочие процессы в развивающиеся возможности модели, но не показывают, какие этапы предполагаемого цикла автоматизированы и готовы к промышленному использованию.3
Инфраструктура: TIP и Paged LoRA
Постоянная персонализация ставит и инженерную задачу: обновлять модельные параметры, продолжая обслуживать запросы, и одновременно управлять большим количеством персональных адаптеров — без отдельной полноразмерной модели для каждого пользователя.
TIP — параллельное обучение и инференс — призвана согласовать эти процессы. В публикациях упоминаются совместное использование видеокарт для обучения и инференса, их работа в одних и тех же пакетах, асинхронное накопление градиентов и быстрое переключение между режимами обучения и обработки запросов. Заявленная цель — использовать доступные вычислительные ресурсы для обновления Personal LoRA, не прекращая онлайн-обслуживание, и не создавать для этого отдельный пул оборудования.4
Paged LoRA решает задачу управления памятью адаптеров. Описанная схема использует страничное распределение и подгрузку по запросу, чтобы гибче размещать несколько Personal LoRA на общей базовой модели и видеокартах.4 Это заявленные цели оптимизации: публикации не доказывают, что тысячи постоянно обновляемых адаптеров уже экономично работают в промышленной среде. Масштаб в сотни ролей и тысячи агентов представлен как нагрузка, для которой эти решения разрабатываются, а не как подтверждённый результат внедрения.
Что показывает тест Qwen2.5 — и чего он не показывает
В одной из публикаций описано поэтапное сравнение Paged LoRA с обычной, или «плоской», Flat LoRA. В тесте использовалась модель Qwen2.5-72B-Instruct на восьми видеокартах Nvidia H800; объём памяти под адаптеры был ограничен 5,79 ГБ. Это описание конфигурации, но доступный фрагмент не приводит сравнительные значения задержки и результаты для высоких перцентилей задержки. По нему также нельзя проверить, насколько различалась производительность при уровнях трафика, указанных в вопросе.
Даже полный тест сервинга ответил бы лишь на часть вопросов. Он помог бы оценить эффективность работы адаптеров в заданных условиях, но сам по себе не доказал бы качество усвоенных персональных навыков, совместимость с обновлённой базовой моделью или отсутствие ухудшений в ранее освоенных задачах.
Что известно, а что остаётся открытым
По публикациям на 22 октября 2026 года можно говорить о стратегии с общей базовой моделью и персональными параметрами, намерении обучать модель на профессиональном опыте, а также об инженерной работе над совместным использованием ресурсов для обучения и инференса и управлением памятью адаптеров.3
4
Однако материалы не устанавливают, какие компоненты уже готовы к промышленной эксплуатации, автоматизирован ли весь цикл самообучения и были ли продемонстрированы перенос адаптеров между версиями базовой модели или откат регрессий.3
4 Не хватает и подробностей теста Qwen2.5, чтобы обосновать конкретные заявления о задержке и её пиковых значениях.
Для оценки подхода важны и другие вопросы: как отличать полезные сигналы обучения от шумной или вводящей в заблуждение обратной связи; как проверять обновления на ухудшение прежних навыков; как оценивать персонализацию при изменении потребностей пользователя или самой базовой модели. Это вопросы, которые ещё предстоит проверить, а не подтверждённые меры защиты, уже внедрённые компанией.
Самый обоснованный вывод таков: Tongyan Lingzhi описала архитектуру персонального ИИ, которая должна закреплять устойчивые специфические навыки в лёгких параметрах модели, и инфраструктуру, призванную сделать такой подход практичнее. Источники подтверждают заявленное направление, но не доказывают, что уже создана автономная система с надёжной защитой от ухудшения результатов, или что достигнуты конкретные численные улучшения производительности.2
3
4
Studio Global AI
Продолжайте свое исследование
На этой странице есть ответ, подтвержденный источником, который вы можете продолжить внутри Studio Global.
Люди также спрашивают
Каков краткий ответ на вопрос «Tongyan Lingzhi хочет, чтобы персональный ИИ учился на опыте»?
Tongyan Lingzhi предлагает переносить личные навыки в лёгкие параметры модели на общей базе, а не полагаться только на промпты и найденный контекст.
Какие ключевые моменты необходимо проверить в первую очередь?
Tongyan Lingzhi предлагает переносить личные навыки в лёгкие параметры модели на общей базе, а не полагаться только на промпты и найденный контекст. TIP призвана объединять ресурсы для обучения и обработки запросов, а Paged LoRA — гибче управлять памятью множества адаптеров.
Что мне делать дальше на практике?
Публикации описывают направление разработки, но не подтверждают, что весь цикл самообучения уже автоматизирован или готов к эксплуатации.