Тема рекурсивного самосовершенствования — способности ИИ помогать в создании следующего ИИ — стала одной из самых заметных среди разработчиков моделей в Китае этой осенью. Согласно опросу Leiphone, наблюдается общая тенденция: разработчики не позволяют ИИ переписывать веса моделей. Вместо этого лаборатории направляют ИИ на работу с конвейерами обучения, системами инференса, ядрами GPU, песочницами и агентными приспособлениями.
В сентябрьской работе, подготовленной 35 исследователями из Шанхайского университета Цзяо Тун, Цинхуа, ByteDance, SenseTime и других, было предложено пять уровней самосовершенствования, причем большинство передовых систем располагаются между первыми и вторыми уровнями.
Примеры реализации самосовершенствования
Компания Zhipu продемонстрировала наиболее очевидный производственный пример. Агент инфраструктуры, управляемый GLM-5.3, за две недели создал сервисную инфраструктуру для GLM-5.3-Flash на кластере, состоящем примерно из 100 000 ускорителей, произведенных в Китае, сохраняя рабочие исправления в виде многократно используемых шаблонов. Затем, в своей работе HarnessPro совместно с Цинхуа, агенты смогли переписать собственный механизм управления.
DeepSeek начал работу с тренировочной среды. Его кластер DSec, созданный с участием Цинхуа, ежедневно генерирует около 3 миллионов песочниц, позволяя агентам создавать среды для обучения более сильных агентов. Система DeepSeek Harness рассматривает инструменты и даже свое основное время выполнения как плагины, которые можно заменить без перезапуска и откатить.
Проект Forge Engineering от ModelBest использует ИИ для написания программного обеспечения, необходимого для создания ИИ. Он сообщил, что ИИ-созданная тренировочная структура ForgeTrain за восемь часов сравнялась с Megatron-LM, а операторы ForgeKernel превзошли официальные таблицы лидеров Huawei и NVIDIA.
Moonshot AI опирается на крупномасштабное обучение с подкреплением. Обучение Kimi K3 потребовало использования более 51 миллиона песочниц на микровиртуальных машинах Firecracker, а также агента внутри кластера, который восстанавливает неудачные запуски из 26 сценариев, и модели вознаграждения агента, которая оценивает рецепты обучения. Риски проявились в октябре, когда вызовы под-агентов в K3.1 Pro вышли из-под контроля, и Kimi сбросил ежемесячную квоту 25 процентов участников.
Alibaba сообщила, что Qwen3.8-Max самостоятельно запустил свой конвейер обучения на протяжении более месяца, пройдя 33 итерации, и Qwen служит основой для внешних инициатив, таких как Apex-35B-V1.0. Команда Seed от ByteDance предлагает идентификатор модели, способный к самоэволюции, утверждая, что большинство систем представляют собой лишь полузамкнутые циклы, поскольку правила оценки все еще устанавливаются людьми. Xiaomi транслировала шесть дней обучения с подкреплением на MiMo-V2.6.
Несмотря на то, что инженерные циклы существуют, сложная задача остается, как отметил главный научный сотрудник Zhipu Тан Цзе: добиться того, чтобы модель надежно определяла, когда остановиться, когда скорректировать себя и как оценить собственное обучение.
