中国模型公司的RSI故事到底是怎么开始吹的呢？ 10月22日，两位GovAI研究者在Asterisk发表了一篇文章，讨论“中国公司如何谈论递归自我改进”。 … · @MaxForAI · TwKit

@MaxForAI

中国模型公司的RSI故事到底是怎么开始吹的呢？ 10月22日，两位GovAI研究者在Asterisk发表了一篇文章，讨论“中国公司如何谈论递归自我改进”。 里面有个值得注意的观察：在AI如何参与自身研发这件事上，部分中国公司披露的细节，比美国公司还具体。 比如 @MiniMax_AI 此前披露，让M2.7自己优化自己，通过分析失败记录、规划改动、修改代码、运行评测，再决定保留还是回退。 整个过程自主运行超过100轮，最终在内部评测集上取得了30%的效果提升。 这里改进的是模型工作的Harness。 而智谱 @Zai_org 的案例落在推理基础设施上。 由GLM-5.3驱动的Infra Agent参与建设GLM-5.3-Flash的推理系统。 按照官方披露，在工程师与Agent共同优化后，端到端吞吐量达到初始基线的约3倍。 工程师负责目标、约束和关键审核，Agent负责提出假设、改代码、跑实验，再根据反馈继续调整。 字节的“Seed for Seed”也在做类似的事：让模型参与评测系统开发、能力诊断、训练数据合成和强化学习框架优化，把模型逐步接入自身的研发流程。 文章对这股趋势的解释是，融资需求、算力约束和提高研发效率，都在推动企业投入。 作者认为，从目前公开材料看，中国的RSI发展呈现出明显的自下而上、商业驱动的特征。 但我其实关心的是这些改进能走多远。 AI完成了哪些工作？人还在哪些环节介入？效果能否在新任务上复现？上一轮积累的经验，能否让它更有效地完成下一轮改进？ 如果AI能够持续提高研发效率，模型公司之间的竞争，就会进一步延伸到各自的研发流程里：谁能更快发现问题、更低成本验证想法，再把有效的改进积累下来。

曝光 260 · 评论 1 · 点赞 0 · 书签 1