AnswersPublished17 sources
Tongyan Lingzhi хоче навчити персональний ШІ засвоювати досвід у параметрах моделі
Tongyan Lingzhi пропонує зберігати накопичений професійний досвід у легких персональних параметрах поверх спільної базової моделі, а не покладатися лише на промпти й пошук. Для паралельної роботи навчання та онлайн сервісу компанія описує спільне використання GPU, а для керування багатьма адаптерами — Paged LoRA.
ОпублікувавВідредаговано за допомогою GPT-6 LunaЗображення створено за допомогою GPT Image 2
Research answer
Key takeaways
- Tongyan Lingzhi пропонує зберігати накопичений професійний досвід у легких персональних параметрах поверх спільної базової моделі, а не покладатися лише на промпти й пошук.
- Для паралельної роботи навчання та онлайн сервісу компанія описує спільне використання GPU, а для керування багатьма адаптерами — Paged LoRA.
- Наявні матеріали не підтверджують повний автоматизований цикл самонавчання, надійне перенесення персональних параметрів між базовими моделями чи конкретні показники тесту швидкодії.
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, команда, що спирається на дослідницьку та індустріальну платформу Пекінського інституту загального штучного інтелекту (BIGAI), розвиває ідею персонального ШІ, який не лише зберігає відомості про користувача, а й має засвоювати його професійний досвід.5
7
Ключова ставка — не навчати окрему велику модель для кожної людини чи проєкту. Натомість компанія описує спільну базову модель і легкі персональні параметри, які мають накопичувати спеціалізовані знання та способи розв’язання завдань.5
6
Не лише пам’ятати, а й засвоювати
Звичайна пам’ять може зберігати історію взаємодій, а RAG — підставляти до відповіді зовнішні документи й знання. У підході Tongyan Lingzhi персональні параметри мають виконувати іншу роль: закріплювати в моделі досвід конкретної людини, проєкту чи компанії.5
У ранніх описах ці параметри названі Personal LoRA — легкими адаптерами для налаштування моделі без повного перенавчання бази.5
6 Компанія аргументує це тим, що інформація в контексті доступна лише під час конкретного запиту, тоді як навчання може стисло закріпити досвід у параметрах моделі.
6
Розділення загальних і персональних здібностей також дає змогу задумувати персоналізацію як надбудову над базовою моделлю, що розвивається. Водночас доступні матеріали не пояснюють, як саме персональні адаптери переносять на нову версію базової моделі, перенавчають або перевіряють після такого оновлення.5
Що відомо про самонавчання
У матеріалі від 22 жовтня 2026 року компанію описують як таку, що будує систему для перетворення професійних знань, робочих процесів і довгострокових рішень на здібності персонального ШІ, які можуть змінюватися з досвідом.7 Проте це опис напряму роботи, а не підтвердження, що повний цикл уже автоматизовано.
В окремому дописі від 23 жовтня сказано, що персональну LoRA-адаптацію для користувача приймають лише тоді, коли вона краще за попередню версію виконує ті самі завдання.47 Це вказує на порівняльну перевірку оновлень, але не доводить, що компанія автоматизувала весь процес: від збору виправлень і результатів до тестування на регресії та повернення до попередньої версії, якщо нова працює гірше.
Тож за наявними свідченнями не варто називати систему повністю самонавчальною або стверджувати, що її механізм контролю помилок уже доведений на практиці.
Як планують здешевити персоналізацію
Постійне оновлення персональних параметрів створює інфраструктурне завдання: модель має одночасно обслуговувати запити й навчатися. Tongyan Lingzhi описує TIP — паралельне поєднання навчання та інференсу. Серед заявлених методів — виконання обох процесів на тих самих GPU, накопичення градієнтів без синхронного блокування та швидке перемикання між ролями навчання й обслуговування запитів.4
Інший компонент, Paged LoRA, стосується керування відеопам’яттю. Замість того щоб закріплювати адаптери за великими фіксованими ділянками пам’яті, система має розподіляти її сторінками та підключати адаптери за потреби. За задумом це дає змогу багатьом персональним LoRA користуватися спільною базовою моделлю й ресурсами GPU.11
У матеріалах як мотивацію для цих оптимізацій згадано сценарій із сотнями ролей і тисячами агентів. Однак це опис масштабу завдання, а не доказ, що тисячі адаптерів уже працюють у виробничому середовищі з підтвердженою економічною ефективністю.4
Чого поки не доводять оприлюднені дані
Наявні джерела не дають змоги підтвердити числові результати тесту на Qwen2.5-72B-Instruct із вісьмома GPU NVIDIA H800, бюджетом пам’яті адаптера 5,79 ГБ і різною часткою LoRA-запитів. Тому немає підстав наводити конкретні скорочення затримки, показники затримки для повільніших запитів або ступінь погіршення за навантаження у 50%.
Наведений технічний звіт Qwen містить результати оцінювання якості моделі, а не описаний тест обслуговування LoRA-адаптерів.3 І навіть успішний тест швидкодії сам по собі не довів би, що персональна модель якісно навчається, зберігає попередні здібності чи без проблем переходить на нову базову модель.
Підсумок: Tongyan Lingzhi окреслила стратегію Personal AI, де персональний досвід має закріплюватися в легких параметрах моделі, а TIP і Paged LoRA — зробити таку персоналізацію практичнішою з погляду обчислювальних ресурсів.4
5
7 Але наявні матеріали не підтверджують завершену автономну систему самонавчання із доведеним захистом від погіршення результатів і не дають перевірених числових показників ефективності.
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 хоче навчити персональний ШІ засвоювати досвід у параметрах моделі"?
Tongyan Lingzhi пропонує зберігати накопичений професійний досвід у легких персональних параметрах поверх спільної базової моделі, а не покладатися лише на промпти й пошук.
What are the key points to validate first?
Tongyan Lingzhi пропонує зберігати накопичений професійний досвід у легких персональних параметрах поверх спільної базової моделі, а не покладатися лише на промпти й пошук. Для паралельної роботи навчання та онлайн сервісу компанія описує спільне використання GPU, а для керування багатьма адаптерами — Paged LoRA.
What should I do next in practice?
Наявні матеріали не підтверджують повний автоматизований цикл самонавчання, надійне перенесення персональних параметрів між базовими моделями чи конкретні показники тесту швидкодії.