通研院孵化团队通衍灵智研发RSI个性化模型
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载共享底座加轻量适配
通衍灵智由北京通用人工智能研究院孵化，专注Personal AI研发。其技术架构采用共享基础模型与轻量化Personal LoRA相结合的方式，个性化参数用于承载个人、项目或企业的专属能力。这一做法与OpenAI用Dreaming改进ChatGPT长期记忆、Meta推出Muse结合个性化理解与自主执行的路径形成对照。现有Prompt、RAG、Memory、Skill主要在模型外部组织信息，而参数化学习让稳定的行为模式经过训练转化为模型自身的能力。通衍灵智关注同行业同任务中不同使用者之间的差异，试图在共享底座之上以轻量适配捕捉这些差异。
递归自我改进的闭环
公司技术方向为Recursive Self-Improving Personal AI。持续学习需要识别有效反馈并评估更新效果，RSI通过模型与评估器协同迭代来构建学习框架。任务轨迹、人工修正和实际结果形成候选学习数据，经过筛选与评估后用于更新个性化参数。李未称基础模型越强，个性化智能的作用越大。这一判断意味着，随着底座能力提升，承载专属能力的个性化层价值随之上升。通衍灵智的目标是让个人和企业不必分别训练完整的通用大模型，而是以共享基础模型加轻量Personal LoRA的方式积累专属能力。
企业需求转向专属积累
CEO谢枭楠称企业需求从获取通用能力转向积累专属能力。这一转变对应通衍灵智的架构选择：个性化参数承载个人、项目、企业的专属能力，而非在模型外部以Prompt、RAG、Memory、Skill组织信息。参数化学习让稳定行为模式经训练转化为模型能力，使专属能力随使用逐步沉淀。与分别训练完整通用大模型相比，共享基础模型加轻量化Personal LoRA的方式降低了专属能力构建的门槛。对读者而言，这意味着个性化智能的竞争点从获取通用能力转向积累专属能力，而持续学习能否识别有效反馈并评估更新效果，决定了这一积累是否可靠。
为什么值得看
个性化智能正从记忆与检索走向参数化学习，这条路线能否落地，关系到企业AI能力如何沉淀。
信源1 家
关键事实
相关 · 行业
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。