通衍靈智想做的 Personal AI，不只是把個人資料放進提示詞或記憶庫，而是嘗試讓使用者或組織累積的專業知識與經驗，逐步成為專屬模型能力的一部分。它提出以共享基礎模型搭配輕量個人化參數的架構；不過，現有報導描述的是發展方向，尚不能證明完整學習流程及所有安全機制已在正式環境中運作。23

不只提供上下文，而是讓模型累積專屬能力

不少 AI 系統會在生成回應時加入個人化資訊，例如提示詞、檢索內容或已儲存的資料。通衍靈智則希望再往前一步：透過個人化訓練，讓長期累積的經驗影響模型參數。

它提出的架構將通用能力與個人化能力分開：共享的 Base Model（基礎模型） 提供廣泛能力，Personal Parameters（個人化參數） 則承載特定個人、專案、職務或組織的知識與行為模式。報導將這些個人化參數描述為輕量的 Personal LoRA Adapter，而不是為每位使用者從頭訓練一個完整基礎模型。23

這項設計的核心，是讓基礎模型負責通用智能，個人化參數承接長期累積的特定能力。但目前公開報導沒有說明，基礎模型更新時，這些 Adapter 要如何轉移、重新訓練或驗證。因此，還不能據此認定個人化參數能在基礎模型改版後直接沿用。23

從「記住資訊」走向「學會經驗」

通衍靈智將這條路線描述為：不只保存資訊，也要判斷哪些經驗值得沉澱成長期模型能力。依照這個說法，記憶負責保留資訊，檢索負責帶入外部知識，而參數層個人化則希望編碼較反覆出現的專業經驗或判斷方式。

公司將更大的目標稱為 Recursive Self-Improving Personal AI，也就是讓系統在使用過程中持續更新個人化能力。3但目前報導尚未證實一套完整、自動化的流程已經實現，例如：收集任務紀錄、人為修正與結果；建立使用者專屬的評估方式；找出反覆出現且有用的回饋模式；更新 Adapter；再測試或回復造成退步的變更。

這個差異很重要：提出學習策略，不等於已經有完整系統上線。現有報導支持的是，通衍靈智希望把專業知識與工作流程轉化為可持續演進的模型能力；至於學習流程中哪些步驟已自動化、哪些已可用於正式服務，目前仍不清楚。3

基礎設施構想：TIP 與 Paged LoRA

持續個人化也帶來工程挑戰：系統既要在提供服務的同時更新模型，又要管理大量個人化 Adapter，避免每位使用者都需要一套獨立的完整模型。

TIP（訓練與推論並行） 是為了協調這些需求。報導提及的做法包括讓訓練與推論共用 GPU、在同一批次中執行、非同步累積梯度，以及快速切換訓練與推論角色。其目標是在維持線上服務的同時，利用可用算力更新 Personal LoRA，減少另建獨立訓練資源池的需求。4

Paged LoRA 著重在 Adapter 的記憶體管理。報導描述的設計透過分頁管理與按需映射，讓多個 Personal LoRA Adapter 更彈性地共用基礎模型與 GPU 資源。4這些是效率目標；目前報導並未證實數以千計、持續更新的 Adapter 已能以具經濟效益的方式在正式環境運作。數百種職務、數千個 Agent 的規模，是報導提出的設想情境，而非已獲證實的部署成果。

Qwen2.5 測試公開了什麼？還缺哪些資料？

一篇報導提到，通衍靈智曾以 Qwen2.5-72B-Instruct，在 8 張 NVIDIA H800 GPU 上比較 Paged LoRA 與傳統「Flat」LoRA，並將 Adapter 記憶體預算設為 5.79 GB。這提供了測試配置，但現有摘錄沒有列出兩種方式的延遲數字或尾端延遲結果，也不足以讓讀者核實問題所關注的不同流量比例下，效能究竟差多少。

即使有完整的服務效能測試，也只能回答部分問題。它可以協助評估特定條件下的 Adapter 服務效率，但不能單獨證明個人化能力學得好不好、基礎模型更換後能力能否保留，或更新是否會讓原有表現退步。

已知方向與仍待釐清之處

截至 2026 年 10 月 22 日的報導，較有根據的描述包括：採用共享基礎模型搭配個人化參數的策略、從專業經驗持續學習的目標，以及協調訓練與推論、管理 Adapter 記憶體的基礎設施工作。34

但現有資料沒有證實哪些元件已可正式使用、完整自我改進流程是否自動化，也沒有證明基礎模型遷移或回歸退步後的復原機制已經實測。34關於 Qwen2.5 測試，報導同樣沒有提供足夠數據，無法支持具體的延遲或尾端效能結論。

評估這類方案，仍有幾個關鍵問題值得追問：如何分辨有用的學習訊號與雜訊或誤導性回饋？如何檢查更新是否造成能力退步或遺忘？當使用者需求或基礎模型改變時，又該如何衡量個人化能力？這些是仍待回答的評估問題，並非已確認由公司落實的安全機制。

目前最穩妥的結論是：通衍靈智提出一套 Personal AI 架構，目標是把長期、特定的能力放進輕量模型參數，並以相關基礎設施提升實用性。公開報導支持這個發展方向，但尚未證明一套可自主學習、能安全避免回歸退步的完整系統已經落地，也未證實問題所要求的具體效能提升數據。234

通衍靈智想做的 Personal AI，不只是把個人資料放進提示詞或記憶庫，而是嘗試讓使用者或組織累積的專業知識與經驗，逐步成為專屬模型能力的一部分。它提出以共享基礎模型搭配輕量個人化參數的架構；不過，現有報導描述的是發展方向，尚不能證明完整學習流程及所有安全機制已在正式環境中運作。23

不只提供上下文，而是讓模型累積專屬能力

不少 AI 系統會在生成回應時加入個人化資訊，例如提示詞、檢索內容或已儲存的資料。通衍靈智則希望再往前一步：透過個人化訓練，讓長期累積的經驗影響模型參數。

它提出的架構將通用能力與個人化能力分開：共享的 Base Model（基礎模型） 提供廣泛能力，Personal Parameters（個人化參數） 則承載特定個人、專案、職務或組織的知識與行為模式。報導將這些個人化參數描述為輕量的 Personal LoRA Adapter，而不是為每位使用者從頭訓練一個完整基礎模型。23

這項設計的核心，是讓基礎模型負責通用智能，個人化參數承接長期累積的特定能力。但目前公開報導沒有說明，基礎模型更新時，這些 Adapter 要如何轉移、重新訓練或驗證。因此，還不能據此認定個人化參數能在基礎模型改版後直接沿用。23

從「記住資訊」走向「學會經驗」

通衍靈智將這條路線描述為：不只保存資訊，也要判斷哪些經驗值得沉澱成長期模型能力。依照這個說法，記憶負責保留資訊，檢索負責帶入外部知識，而參數層個人化則希望編碼較反覆出現的專業經驗或判斷方式。

公司將更大的目標稱為 Recursive Self-Improving Personal AI，也就是讓系統在使用過程中持續更新個人化能力。3但目前報導尚未證實一套完整、自動化的流程已經實現，例如：收集任務紀錄、人為修正與結果；建立使用者專屬的評估方式；找出反覆出現且有用的回饋模式；更新 Adapter；再測試或回復造成退步的變更。

這個差異很重要：提出學習策略，不等於已經有完整系統上線。現有報導支持的是，通衍靈智希望把專業知識與工作流程轉化為可持續演進的模型能力；至於學習流程中哪些步驟已自動化、哪些已可用於正式服務，目前仍不清楚。3

基礎設施構想：TIP 與 Paged LoRA

持續個人化也帶來工程挑戰：系統既要在提供服務的同時更新模型，又要管理大量個人化 Adapter，避免每位使用者都需要一套獨立的完整模型。

TIP（訓練與推論並行） 是為了協調這些需求。報導提及的做法包括讓訓練與推論共用 GPU、在同一批次中執行、非同步累積梯度，以及快速切換訓練與推論角色。其目標是在維持線上服務的同時，利用可用算力更新 Personal LoRA，減少另建獨立訓練資源池的需求。4

Paged LoRA 著重在 Adapter 的記憶體管理。報導描述的設計透過分頁管理與按需映射，讓多個 Personal LoRA Adapter 更彈性地共用基礎模型與 GPU 資源。4這些是效率目標；目前報導並未證實數以千計、持續更新的 Adapter 已能以具經濟效益的方式在正式環境運作。數百種職務、數千個 Agent 的規模，是報導提出的設想情境，而非已獲證實的部署成果。

Qwen2.5 測試公開了什麼？還缺哪些資料？

一篇報導提到，通衍靈智曾以 Qwen2.5-72B-Instruct，在 8 張 NVIDIA H800 GPU 上比較 Paged LoRA 與傳統「Flat」LoRA，並將 Adapter 記憶體預算設為 5.79 GB。這提供了測試配置，但現有摘錄沒有列出兩種方式的延遲數字或尾端延遲結果，也不足以讓讀者核實問題所關注的不同流量比例下，效能究竟差多少。

即使有完整的服務效能測試，也只能回答部分問題。它可以協助評估特定條件下的 Adapter 服務效率，但不能單獨證明個人化能力學得好不好、基礎模型更換後能力能否保留，或更新是否會讓原有表現退步。

已知方向與仍待釐清之處

截至 2026 年 10 月 22 日的報導，較有根據的描述包括：採用共享基礎模型搭配個人化參數的策略、從專業經驗持續學習的目標，以及協調訓練與推論、管理 Adapter 記憶體的基礎設施工作。34

但現有資料沒有證實哪些元件已可正式使用、完整自我改進流程是否自動化，也沒有證明基礎模型遷移或回歸退步後的復原機制已經實測。34關於 Qwen2.5 測試，報導同樣沒有提供足夠數據，無法支持具體的延遲或尾端效能結論。

評估這類方案，仍有幾個關鍵問題值得追問：如何分辨有用的學習訊號與雜訊或誤導性回饋？如何檢查更新是否造成能力退步或遺忘？當使用者需求或基礎模型改變時，又該如何衡量個人化能力？這些是仍待回答的評估問題，並非已確認由公司落實的安全機制。

目前最穩妥的結論是：通衍靈智提出一套 Personal AI 架構，目標是把長期、特定的能力放進輕量模型參數，並以相關基礎設施提升實用性。公開報導支持這個發展方向，但尚未證明一套可自主學習、能安全避免回歸退步的完整系統已經落地，也未證實問題所要求的具體效能提升數據。234