通衍靈智提出的 Personal AI，想做的不只是記住使用者提供過甚麼資料，而是讓個人、項目或機構累積的專業經驗，逐步沉澱成模型本身的能力。其構想是以共享基礎模型配合輕量個人參數；不過，現有報道主要交代技術方向，未能證明完整學習流程及所有配套已在正式服務中運作。23

不只靠提示詞和記憶，而是個人化模型

不少 AI 會在回答時加入提示詞、檢索內容或已儲存的資料，藉此提供較貼近使用者的回應。通衍靈智表示，希望進一步透過個人化訓練，令累積經驗能影響模型參數，而不只是每次回答時臨時提供的上下文。

其架構分成兩部分：共享的 Base Model（基礎模型） 提供通用能力，Personal Parameters（個人化參數） 則承載某個人、項目、職位或機構特有的知識和行為方式。報道提到，這些個人化參數會採用輕量的 Personal LoRA Adapter，而非為每名使用者由零開始訓練一個完整基礎模型。23

這種分工的目標，是保留基礎模型的通用能力，同時加入較具體、長期累積的專屬能力。不過，現有資料未交代基礎模型更新後，個人 Adapter 如何遷移、重訓或驗證；因此，未能確認同一組個人參數能否直接兼容更新後的基礎模型。23

從「記住資料」到「學到經驗」

通衍靈智將其方向描述為：由保存資訊，進一步走向判斷哪些經驗值得變成較持久的模型能力。按這個說法，記憶用來保留資訊，檢索用來補充外部知識，而參數層面的個人化則希望吸收反覆出現的專業判斷或工作經驗。

公司把更大的目標稱為 Recursive Self-Improving Personal AI，即希望模型能隨使用持續更新個人化能力。3 不過，現有報道未能核實一套完整而自動化的流程，如何收集任務紀錄、人手修正和實際結果，再建立個人化評估方法、找出反覆出現的有效回饋、更新 Adapter，並測試或回復有問題的改動。

這個分別值得留意：提出一個學習策略，不等於已證明整套系統全面落地。現有報道支持其希望把專業知識和工作流程轉化為可持續演進的模型能力，但未說明當中哪些環節已自動化或準備好用於正式服務。3

TIP 與 Paged LoRA：如何處理運算和記憶體

要持續個人化模型，系統既要在提供服務期間更新模型，也要管理大量個人 Adapter，而不是為每位使用者都配置一個完整模型。

TIP（訓練與推理並行） 是為了協調這兩類工作。報道提及的做法包括讓訓練和推理共用 GPU、在同一批次中進行、非同步累積梯度，以及快速切換訓練和推理角色。目標是在維持線上服務的同時，利用現有運算資源更新 Personal LoRA，減少另建獨立訓練資源池的需要。4

Paged LoRA 則針對 Adapter 的顯存管理。據報道，其設計透過分頁管理和按需要映射，讓多個 Personal LoRA 更靈活地共用同一個基礎模型和 GPU 資源。4 這些是提升效率的目標；現有報道未能證明數以千計、持續更新的 Adapter 已經可以在正式環境中以具成本效益的方式運作。數百個職位、數千個 Agent，是報道提出的應用規模構想，並非已核實的部署成果。

Qwen2.5 測試有甚麼資料？又缺少甚麼？

一則報道提到，通衍靈智曾以 Qwen2.5-72B-Instruct，在 8 張 Nvidia H800 GPU 上進行階段性測試，比較 Paged LoRA 和傳統「Flat」LoRA，Adapter 顯存預算設為 5.79GB。 這提供了測試配置，但現有報道摘錄沒有列出兩種方式的延遲比較數字或尾延遲結果，因此讀者無法據此核實不同流量下的效能差距。

即使有完整的服務效能測試，也只回答了整體問題的一部分。測試可以協助評估特定條件下的 Adapter 服務效率，但不能單靠延遲數據證明個人化能力學得好不好、基礎模型改版後能否保留個人能力，或更新會否令原有表現退步。

已知方向與仍待驗證的部分

截至 2026 年 10 月 22 日，現有報道支持的，是通衍靈智已公開描述「共享基礎模型加個人化參數」的策略，並提出從專業經驗持續學習，以及以訓練與推理協同、Adapter 記憶體管理來支援這個方向。34

但報道未能確認哪些組件已可正式使用、整套自我改進流程是否自動化，亦未證明基礎模型遷移和回復效能退步的機制已經實測。34 至於 Qwen2.5 測試，現有資料也不足以支持具體延遲或尾端效能的說法。

要評估這套方法，仍有幾個問題值得追問：系統如何分辨有效學習訊號和嘈雜、誤導性的回饋？如何測試更新會否令模型忘掉舊能力？當使用者需求或基礎模型改變時，又如何評估個人化效果？這些目前是待回答的評估問題，並非已證實由公司落實的防護措施。

較穩妥的結論是，通衍靈智已提出一套 Personal AI 架構，目標是把持久而具體的能力放進輕量模型參數，並配合相關運算和記憶體管理技術。現有報道支持其技術方向，但不足以證明一套自主、能防止效能退步的系統已經落地，也未能證實所要求的數值效能提升。234

通衍靈智提出的 Personal AI，想做的不只是記住使用者提供過甚麼資料，而是讓個人、項目或機構累積的專業經驗，逐步沉澱成模型本身的能力。其構想是以共享基礎模型配合輕量個人參數；不過，現有報道主要交代技術方向，未能證明完整學習流程及所有配套已在正式服務中運作。23

不只靠提示詞和記憶，而是個人化模型

不少 AI 會在回答時加入提示詞、檢索內容或已儲存的資料，藉此提供較貼近使用者的回應。通衍靈智表示，希望進一步透過個人化訓練，令累積經驗能影響模型參數，而不只是每次回答時臨時提供的上下文。

其架構分成兩部分：共享的 Base Model（基礎模型） 提供通用能力，Personal Parameters（個人化參數） 則承載某個人、項目、職位或機構特有的知識和行為方式。報道提到，這些個人化參數會採用輕量的 Personal LoRA Adapter，而非為每名使用者由零開始訓練一個完整基礎模型。23

這種分工的目標，是保留基礎模型的通用能力，同時加入較具體、長期累積的專屬能力。不過，現有資料未交代基礎模型更新後，個人 Adapter 如何遷移、重訓或驗證；因此，未能確認同一組個人參數能否直接兼容更新後的基礎模型。23

從「記住資料」到「學到經驗」

通衍靈智將其方向描述為：由保存資訊，進一步走向判斷哪些經驗值得變成較持久的模型能力。按這個說法，記憶用來保留資訊，檢索用來補充外部知識，而參數層面的個人化則希望吸收反覆出現的專業判斷或工作經驗。

公司把更大的目標稱為 Recursive Self-Improving Personal AI，即希望模型能隨使用持續更新個人化能力。3 不過，現有報道未能核實一套完整而自動化的流程，如何收集任務紀錄、人手修正和實際結果，再建立個人化評估方法、找出反覆出現的有效回饋、更新 Adapter，並測試或回復有問題的改動。

這個分別值得留意：提出一個學習策略，不等於已證明整套系統全面落地。現有報道支持其希望把專業知識和工作流程轉化為可持續演進的模型能力，但未說明當中哪些環節已自動化或準備好用於正式服務。3

TIP 與 Paged LoRA：如何處理運算和記憶體

要持續個人化模型，系統既要在提供服務期間更新模型，也要管理大量個人 Adapter，而不是為每位使用者都配置一個完整模型。

TIP（訓練與推理並行） 是為了協調這兩類工作。報道提及的做法包括讓訓練和推理共用 GPU、在同一批次中進行、非同步累積梯度，以及快速切換訓練和推理角色。目標是在維持線上服務的同時，利用現有運算資源更新 Personal LoRA，減少另建獨立訓練資源池的需要。4

Paged LoRA 則針對 Adapter 的顯存管理。據報道，其設計透過分頁管理和按需要映射，讓多個 Personal LoRA 更靈活地共用同一個基礎模型和 GPU 資源。4 這些是提升效率的目標；現有報道未能證明數以千計、持續更新的 Adapter 已經可以在正式環境中以具成本效益的方式運作。數百個職位、數千個 Agent，是報道提出的應用規模構想，並非已核實的部署成果。

Qwen2.5 測試有甚麼資料？又缺少甚麼？

一則報道提到，通衍靈智曾以 Qwen2.5-72B-Instruct，在 8 張 Nvidia H800 GPU 上進行階段性測試，比較 Paged LoRA 和傳統「Flat」LoRA，Adapter 顯存預算設為 5.79GB。 這提供了測試配置，但現有報道摘錄沒有列出兩種方式的延遲比較數字或尾延遲結果，因此讀者無法據此核實不同流量下的效能差距。

即使有完整的服務效能測試，也只回答了整體問題的一部分。測試可以協助評估特定條件下的 Adapter 服務效率，但不能單靠延遲數據證明個人化能力學得好不好、基礎模型改版後能否保留個人能力，或更新會否令原有表現退步。

已知方向與仍待驗證的部分

截至 2026 年 10 月 22 日，現有報道支持的，是通衍靈智已公開描述「共享基礎模型加個人化參數」的策略，並提出從專業經驗持續學習，以及以訓練與推理協同、Adapter 記憶體管理來支援這個方向。34

但報道未能確認哪些組件已可正式使用、整套自我改進流程是否自動化，亦未證明基礎模型遷移和回復效能退步的機制已經實測。34 至於 Qwen2.5 測試，現有資料也不足以支持具體延遲或尾端效能的說法。

要評估這套方法，仍有幾個問題值得追問：系統如何分辨有效學習訊號和嘈雜、誤導性的回饋？如何測試更新會否令模型忘掉舊能力？當使用者需求或基礎模型改變時，又如何評估個人化效果？這些目前是待回答的評估問題，並非已證實由公司落實的防護措施。

較穩妥的結論是，通衍靈智已提出一套 Personal AI 架構，目標是把持久而具體的能力放進輕量模型參數，並配合相關運算和記憶體管理技術。現有報道支持其技術方向，但不足以證明一套自主、能防止效能退步的系統已經落地，也未能證實所要求的數值效能提升。234