AnswersPublished17 sources
Personlig AI som lär sig av erfarenhet – inte bara av prompter
Tongyan Lingzhi vill lägga till personliga parametrar ovanpå en gemensam grundmodell, i stället för att träna om en hel modell för varje användare eller projekt.[5][6] Företaget skiljer mellan minne och informationssökning, som hämtar eller lagrar uppgifter, och träning som ska göra erfarenhet till en mer varaktig m...
Publicerad avRedigerad med GPT-6 LunaBilder genererade med GPT Image 2
Research answer
Key takeaways
- Tongyan Lingzhi vill lägga till personliga parametrar ovanpå en gemensam grundmodell, i stället för att träna om en hel modell för varje användare eller projekt.[5][6]
- Företaget skiljer mellan minne och informationssökning, som hämtar eller lagrar uppgifter, och träning som ska göra erfarenhet till en mer varaktig modellförmåga.[5]
- Tekniker för att samordna träning och inferens samt hantera många LoRA adaptrar ska göra upplägget mindre resurskrävande.[4][11]
- Källorna räcker inte för att bekräfta en helt automatiserad självlärande process, skydd mot försämringar eller de efterfrågade prestandasiffrorna.
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 vill göra professionell kunskap och erfarenhet till en mer varaktig del av personlig AI. Företagets föreslagna modell bygger på en gemensam grundmodell med lätta, personliga parametrar – i stället för att enbart förlita sig på information som läggs in i en prompt eller hämtas vid varje fråga.5
6
7
Det är en tydligt beskriven teknisk inriktning, men underlaget räcker inte för att slå fast att hela den självlärande processen är färdigbyggd, hur den fungerar i detalj eller vilka resultat den ger i jämförande tester.
Från att minnas till att lära
Tongyan Lingzhi beskriver en modell med en gemensam Base Model och lätta Personal Parameters. Grundmodellen ska stå för den breda, allmänna förmågan, medan de personliga parametrarna ska bära kunskap som hör till en viss användare, ett projekt eller ett företag. Tidigare rapportering pekar särskilt ut personliga LoRA-adaptrar som en möjlig lösning.5
6
Företagets argument är att minne och sökning inte räcker för all slags erfarenhet. Minne kan spara historik och RAG – informationshämtning från externa källor – kan tillföra dokument och annan kunskap. Men personliga parametrar är tänkta att göra återkommande erfarenheter till en mer bestående förmåga att bedöma och hantera uppgifter.5
6
Det skulle också kunna skilja den personliga förmågan från den gemensamma grundmodellen när denna utvecklas. Men det finns inte tillräckligt underlag för att verifiera hur personliga adaptrar flyttas över, tränas om eller testas när grundmodellen byts ut. Det är inte heller visat att samma LoRA-parametrar fungerar oförändrade med en ny modellversion.5
Hur ska AI:n förbättras över tid?
Tongyan Lingzhi beskriver en ambition att låta modellen utvecklas genom verklig användning: yrkeskunskap, arbetsflöden och långsiktiga bedömningar ska kunna bli en del av särskilda AI-förmågor.7 I företagets övergripande upplägg ska RSI, eller Recursive Self-Improvement, stå för den fortlöpande utvecklingen av de personliga parametrarna.
6
7
Men de tillgängliga källorna visar inte hela den praktiska kedjan. De räcker inte för att bekräfta att systemet automatiskt samlar in uppgiftsspår, mänskliga korrigeringar och resultat, skapar användarspecifika utvärderingar, identifierar återkommande mönster och uppdaterar parametrarna med fullständiga regressionstester och återställning vid försämringar.
En senare sammanfattning, publicerad den 23 oktober, uppger att en personlig LoRA-uppdatering bara godtas om den presterar bättre än föregångaren på samma uppgifter.47 Det är ett exempel på en jämförande kontroll, men uppgiften är senare än den 22 oktober och bekräftar inte i sig att hela processen är automatiserad eller säker mot försämringar.
47
Infrastruktur för att hålla nere kostnaden
Om många användare, roller och AI-agenter ska ha egna parametrar behöver träningen samsas med den löpande tjänsten. Tongyan Lingzhi beskriver därför TIP – samordning av träning och inferens – som ett sätt att använda samma GPU:er och ibland samma batchar för båda uppgifterna. Företaget nämner också asynkron ackumulering av gradienter och snabba växlingar mellan tränings- och inferensarbete.4
Tanken är att kunna uppdatera personliga parametrar med tillgänglig beräkningskapacitet utan att störa onlinetjänsten och utan att behöva bygga en helt separat träningspool.4
Paged LoRA ska hantera minnet när många personliga adaptrar används. I stället för att låta varje adapter ligga kvar i GPU-minnet i ett stort, fast utrymme beskrivs en lösning med sidindelad hantering och inläsning vid behov. Målet är att fler adaptrar ska kunna dela på samma grundmodell och GPU-resurser.4
11
Rapporteringen använder scenarier med hundratals roller och tusentals agenter för att beskriva varför sådana effektiviseringar kan behövas. Det visar däremot inte att tusentals adaptrar redan körs med kontinuerlig inlärning i en ekonomiskt hållbar produktionsmiljö.4
Prestandasiffrorna går inte att bekräfta
Det tillgängliga underlaget verifierar inte det efterfrågade testet med Qwen2.5-72B-Instruct på åtta Nvidia H800-GPU:er, en minnesbudget på 5,79 GB för adaptern och jämförelser mellan 1–30 och 50 procents LoRA-trafik.
Därför går det inte att ange tillförlitliga siffror för latens, svanslatens eller eventuell försämring vid 50 procents trafik. Utdraget ur Qwens tekniska rapport handlar om modellens kvalitetsmått, inte om just det här testet av adapterhantering.3
Även ett bekräftat belastningstest skulle bara säga något om hur serveringen fungerar under de testade förutsättningarna. Det skulle inte i sig visa att inlärningen håller hög kvalitet, att personliga förmågor bevaras vid byte av grundmodell eller att systemet motverkar glömska och felaktig återkoppling.
Vad går att säga per den 22 oktober 2026?
Det som stöds av källorna: Tongyan Lingzhi har beskrivit en strategi med gemensam grundmodell och personliga parametrar, en ambition om kontinuerligt lärande samt infrastruktur för att samordna träning och inferens och hantera många adaptrar.4
5
7
11
Det som inte är fastställt: Vilka delar som är färdiga produkter jämfört med prototyper, om hela processen för självlärande är automatiserad, och om hantering av modellbyten och återställning efter försämringar har demonstrerats före brytdatumet.
En sådan lösning behöver dessutom prövas mot risker som att ny inlärning försämrar äldre förmågor, att felaktig eller manipulerad återkoppling påverkar modellen och att både användarens behov och grundmodellens beteende förändras. Det är relevanta frågor för utvärdering – inte belägg för att Tongyan Lingzhi redan har infört särskilda skydd mot dem.
Den försiktiga slutsatsen är att Tongyan Lingzhi har presenterat en strategi för personlig AI där erfarenhet ska sätta spår i modellens parametrar, tillsammans med tekniker som ska göra träningen mer resurssnål. Det tillgängliga underlaget räcker däremot inte för att slå fast att företaget har ett moget, autonomt och säkert system för fortlöpande självförbättring eller för att bekräfta de efterfrågade prestandasiffrorna.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 "Personlig AI som lär sig av erfarenhet – inte bara av prompter"?
Tongyan Lingzhi vill lägga till personliga parametrar ovanpå en gemensam grundmodell, i stället för att träna om en hel modell för varje användare eller projekt.[5][6]
What are the key points to validate first?
Tongyan Lingzhi vill lägga till personliga parametrar ovanpå en gemensam grundmodell, i stället för att träna om en hel modell för varje användare eller projekt.[5][6] Företaget skiljer mellan minne och informationssökning, som hämtar eller lagrar uppgifter, och träning som ska göra erfarenhet till en mer varaktig modellförmåga.[5]
What should I do next in practice?
Tekniker för att samordna träning och inferens samt hantera många LoRA adaptrar ska göra upplägget mindre resurskrävande.[4][11]