Рекурсивное самосовершенствование, то есть ИИ, который помогает создавать следующий ИИ, стало одной из самых заметных тем среди китайских разработчиков моделей этой осенью. Обзор недавних публикаций от Leiphone выявил общую закономерность: никто не позволяет ИИ переписывать веса моделей. Вместо этого лаборатории направляют ИИ на конвейеры обучения, системы инференса, GPU-ядра, песочницы и системы управления агентами.
Сентябрьская статья 35 исследователей из Шанхайского университета Цзяо Тун, Университета Цинхуа, ByteDance, SenseTime и других, озаглавленная «Последний ИИ, созданный людьми», предлагает пять уровней самосовершенствования и помещает большинство передовых систем между первым и вторым уровнями.
Zhipu имеет самый четкий пример внедрения в производство. Infra Agent на базе GLM-5.3 за две недели создал обслуживающий стек для GLM-5.3-Flash на кластере из примерно 100 000 китайских ускорителей, сохраняя рабочие исправления в виде многоразовых шаблонов. Затем их статья HarnessPro с Университетом Цинхуа показала, как агенты переписывают свои собственные средства управления.
DeepSeek начал с тренировочной площадки. Их кластер DSec, построенный совместно с Университетом Цинхуа, производит около 3 миллионов песочниц в день, позволяя агентам создавать среды для обучения более сильных агентов. DeepSeek Harness рассматривает инструменты и даже основное время выполнения как подключаемые модули, которые можно заменять без перезапуска и откатывать. Агент под названием DeepEvolve, представленный в октябре, разделяет поиск и прогнозирование.
Проект Forge Engineering от ModelBest поручает ИИ написание программного обеспечения, используемого для создания ИИ. Компания утверждает, что разработанный ИИ фреймворк для обучения ForgeTrain за восемь часов сравнялся с Megatron-LM, а его операторы ForgeKernel превзошли официальные таблицы лидеров Huawei и NVIDIA.
Moonshot AI полагается на крупномасштабное обучение с подкреплением. Обучение Kimi K3 использовало более 51 миллиона песочниц на микровиртуальных машинах Firecracker, агент внутри кластера, который восстанавливает сбойные запуски из 26 сценариев, и модель вознаграждения агента, которая оценивает рецепты обучения. Риски проявились в октябре, когда вызовы суб-агентов в K3.1 Pro вышли из-под контроля, и Kimi сбросил 25 процентов месячной квоты участников.
Alibaba сообщает, что Qwen3.8-Max более месяца работал над собственным конвейером обучения в течение 33 итераций, и Qwen является основой для внешних разработок, таких как Apex-35B-V1.0. Команда Seed от ByteDance предлагает самоэволюционирующую модель ID и утверждает, что большинство систем представляют собой лишь полузамкнутые циклы, поскольку люди по-прежнему устанавливают правила оценки. Xiaomi в прямом эфире транслировала шесть дней обучения с подкреплением на MiMo-V2.6.
Инженерные циклы реальны, но, по словам главного научного сотрудника Zhipu Тан Цзе, самая сложная задача остается за тем, чтобы модель надежно определяла, когда остановиться, когда исправить себя и как оценить собственное обучение.
Всегда имейте в виду, что редакции могут придерживаться предвзятых взглядов в освещении новостей.
Автор – Pandaily
