AnswersPublished13 sources
Tongyan Lingzhi’nin kişisel yapay zekâ yaklaşımı: Deneyimi modelin içine öğrenmek
Tongyan Lingzhi, kişisel becerileri yalnızca istemlere veya getirilen bilgilere dayandırmak yerine, ortak bir temel modelin üzerindeki hafif kişisel parametrelerle taşımayı öneriyor. TIP eğitim ve çıkarımda GPU kaynaklarını paylaşmayı; Paged LoRA ise çok sayıda kişisel adaptörün belleğini daha esnek yönetmeyi amaçlı...
YayımlayanGPT-6 Luna ile düzenlendiGörseller GPT Image 2 ile oluşturuldu
Research answer
Key takeaways
- Tongyan Lingzhi, kişisel becerileri yalnızca istemlere veya getirilen bilgilere dayandırmak yerine, ortak bir temel modelin üzerindeki hafif kişisel parametrelerle taşımayı öneriyor.
- TIP eğitim ve çıkarımda GPU kaynaklarını paylaşmayı; Paged LoRA ise çok sayıda kişisel adaptörün belleğini daha esnek yönetmeyi amaçlıyor.
- Qwen2.5 72B Instruct testi için yapılandırma bilgileri paylaşılmış olsa da, mevcut kaynaklar karşılaştırmalı gecikme ve kuyruk performansı sonuçlarını doğrulamıyor.
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, profesyonel bilgi ve deneyimin kullanıcıya ya da kuruma özel model becerilerine dönüşebileceği bir Kişisel Yapay Zekâ yaklaşımı üzerinde çalışıyor. Önerilen yapıda ortak bir temel model, hafif kişisel parametrelerle tamamlanıyor. Ancak haberlerde anlatılanlar bu yaklaşımın yönünü ortaya koyuyor; öğrenme döngüsünün tamamının ve tüm güvenlik önlemlerinin üretimde çalıştığını kanıtlamıyor.2
3
Amaç yalnızca bağlam sağlamak değil, modeli kişiselleştirmek
Pek çok yapay zekâ sistemi yanıt üretirken istemlerden, getirilen belgelerden veya saklanan bilgilerden yararlanarak kişiselleştirme yapıyor. Tongyan Lingzhi’nin açıkladığı hedef ise bir adım ötesi: Biriken deneyimin model parametrelerini şekillendirmesini sağlayacak kişiselleştirilmiş eğitim.
Önerilen mimaride genel yeteneklerle kişiselleştirme birbirinden ayrılıyor. Ortak Temel Model geniş kapsamlı yetenekleri sağlarken Kişisel Parametreler, bir kişi, proje, görev veya kuruma özgü bilgi ve davranışları taşıyor. Haberlerde bu kişisel parametreler, her kullanıcı için sıfırdan ayrı bir temel model eğitmek yerine hafif Personal LoRA adaptörleri olarak tanımlanıyor.2
3
Bu ayrım yaklaşımın temel iddiası: Temel model genel zekâyı sunarken kişisel parametreler birikmiş ve belirli deneyimleri yansıtabilir. Ancak mevcut haberler, temel model değiştiğinde adaptörlerin nasıl taşınacağını, yeniden eğitileceğini veya doğrulanacağını açıklamıyor. Dolayısıyla kişisel adaptörlerin temel model güncellemeleriyle uyumunu koruyacağı henüz gösterilmiş değil.2
3
Bilgiyi saklamaktan sürekli öğrenmeye
Tongyan Lingzhi, yaklaşımını bilgiyi hatırlamanın ötesine geçip hangi deneyimlerin kalıcı bir model becerisine dönüşmesi gerektiğini öğrenmek olarak çerçeveliyor. Bu bakışta bellek bilgiyi saklıyor, erişim sistemleri dış kaynakları yanıt sırasında sunuyor; parametre düzeyinde kişiselleştirme ise tekrarlanan uzmanlık ve muhakeme biçimlerini modelin içine aktarmayı hedefliyor.
Şirket bu daha geniş hedefi Recursive Self-Improving Personal AI (özyinelemeli biçimde kendini geliştiren kişisel yapay zekâ) olarak adlandırıyor: Kullanımla birlikte kişisel yeteneklerin güncellenmeye devam etmesi amaçlanıyor.3 Ancak mevcut haberler; görev izlerinin, insan düzeltmelerinin ve sonuçların toplanması, kullanıcıya özel değerlendiricilerin oluşturulması, işe yarayan geri bildirim örüntülerinin belirlenmesi, adaptörlerin güncellenmesi ve değişikliklerin sınanıp gerekirse geri alınmasını kapsayan eksiksiz ve otomatik bir sürecin doğrulandığını göstermiyor.
Bu ayrım önemli. Bir öğrenme stratejisinin anlatılması, sistemin bütünüyle hayata geçirildiği anlamına gelmez. Haberler profesyonel bilgi ve iş akışlarını gelişen model becerilerine dönüştürme hedefini destekliyor; ancak önerilen döngünün hangi aşamalarının otomatikleştirildiğini veya üretime hazır olduğunu ortaya koymuyor.3
Altyapı: TIP ve Paged LoRA
Sürekli kişiselleştirme bir altyapı sorunu da yaratıyor: Sistem, istekleri yanıtlarken model güncellemelerini desteklemeli ve her kullanıcı için ayrı bir tam model çalıştırmadan çok sayıda kişisel adaptörü yönetebilmeli.
TIP (eğitim-çıkarım paralelliği) bu gereksinimleri birlikte ele almayı amaçlıyor. Haberlerde, GPU’ların eğitim ve çıkarım arasında paylaşılması, ikisinin aynı gruplar içinde yürütülmesi, gradyanların eşzamansız biçimde biriktirilmesi ve eğitim ile çıkarım görevleri arasında hızlı geçiş gibi yöntemlerden söz ediliyor. Amaç, çevrimiçi hizmet sürerken Personal LoRA güncellemeleri için mevcut hesaplama kaynaklarından yararlanmak; ayrı bir eğitim kaynak havuzu kurma ihtiyacını azaltmak.4
Paged LoRA ise adaptörlerin bellek yönetimine odaklanıyor. Aktarılan tasarım, sayfalama ve ihtiyaca göre eşleme yöntemleriyle adaptörleri daha esnek yönetmeyi; böylece birden fazla Personal LoRA adaptörünün aynı temel modeli ve GPU kaynaklarını paylaşmasını hedefliyor.4 Bunlar verimlilik hedefleri. Haberler, sürekli güncellenen binlerce adaptörün bugün üretimde ekonomik biçimde çalıştığını kanıtlamıyor. Yüzlerce görev ve binlerce ajana ilişkin ölçek, doğrulanmış bir dağıtım sonucu değil, bu optimizasyonlara duyulan ihtiyacı anlatan bir senaryo olarak aktarılıyor.
Qwen2.5 testi neyi gösteriyor, neyi göstermiyor?
Bir haberde, sekiz Nvidia H800 GPU ve 5,79 GB adaptör belleği bütçesiyle Qwen2.5-72B-Instruct üzerinde Paged LoRA ile geleneksel “Flat” LoRA’nın aşamalı olarak karşılaştırıldığı belirtiliyor. Bu bilgiler testin kurulumunu tarif ediyor. Ancak mevcut alıntıda karşılaştırmalı gecikme değerleri veya yüksek gecikme yüzdeliklerine ilişkin sonuçlar bulunmuyor. Bu nedenle soruda belirtilen trafik düzeylerindeki performans farkları da doğrulanamıyor.
Test eksiksiz bir hizmet sunumu kıyaslaması olsa bile, daha büyük sorunun yalnızca bir bölümüne yanıt verirdi. Belirli koşullarda adaptör sunumunun verimliliğini değerlendirmeye yardımcı olabilir; fakat kişisel becerilerin ne kadar iyi öğrenildiğini, temel model değiştiğinde uyumun korunup korunmadığını veya güncellemelerin önceki performansı düşürüp düşürmediğini tek başına göstermez.
Bilinenler ve yanıt bekleyen sorular
22 Ekim 2026 itibarıyla haberlerin desteklediği tablo şu: Ortak temel model ile kişisel parametreleri birleştiren bir strateji, profesyonel deneyimden sürekli öğrenme hedefi ve eğitimle çıkarımı eşgüdümleme ile adaptör belleğini yönetmeye yönelik altyapı çalışmaları.3
4
Buna karşılık mevcut haberler hangi bileşenlerin üretime hazır olduğunu, kendini geliştirme döngüsünün bütünüyle otomatik çalışıp çalışmadığını veya temel model geçişiyle gerilemeleri geri alma süreçlerinin gösterilip gösterilmediğini ortaya koymuyor.3
4 Qwen2.5 testi için de belirli gecikme ya da kuyruk performansı iddialarını destekleyecek kadar kıyaslama ayrıntısı paylaşılmış değil.
Bu yaklaşımı değerlendirirken bazı temel sorular açık kalıyor: Yararlı öğrenme sinyalleri gürültülü veya yanıltıcı geri bildirimden nasıl ayrılacak? Güncellemelerin gerilemeye ya da önceki becerilerin unutulmasına yol açmadığı nasıl sınanacak? Kullanıcının ihtiyaçları veya temel model değiştiğinde kişiselleştirme nasıl değerlendirilecek? Bunlar henüz yanıtlanmış güvenlik önlemleri değil, değerlendirilmesi gereken açık konular.
En temkinli sonuç şu: Tongyan Lingzhi, kalıcı ve belirli yetenekleri hafif model parametrelerine aktarmayı hedefleyen bir Kişisel Yapay Zekâ mimarisi ve bunu uygulanabilir kılmaya dönük altyapı yaklaşımı tarif etmiş durumda. Sunulan haberler bu yönelimi destekliyor; ancak otonom, gerilemelere karşı güvenli bir sistemin veya talep edilen sayısal performans iyileştirmelerinin gösterildiğini ortaya koymuyor.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’nin kişisel yapay zekâ yaklaşımı: Deneyimi modelin içine öğrenmek"?
Tongyan Lingzhi, kişisel becerileri yalnızca istemlere veya getirilen bilgilere dayandırmak yerine, ortak bir temel modelin üzerindeki hafif kişisel parametrelerle taşımayı öneriyor.
What are the key points to validate first?
Tongyan Lingzhi, kişisel becerileri yalnızca istemlere veya getirilen bilgilere dayandırmak yerine, ortak bir temel modelin üzerindeki hafif kişisel parametrelerle taşımayı öneriyor. TIP eğitim ve çıkarımda GPU kaynaklarını paylaşmayı; Paged LoRA ise çok sayıda kişisel adaptörün belleğini daha esnek yönetmeyi amaçlıyor.
What should I do next in practice?
Qwen2.5 72B Instruct testi için yapılandırma bilgileri paylaşılmış olsa da, mevcut kaynaklar karşılaştırmalı gecikme ve kuyruk performansı sonuçlarını doğrulamıyor.