微信金花房卡哪里购买-
【央视新闻客户端】
-->
“我们的继任者 ，正是我们亲手创造出来的AI 。 ”9月17日 ，智谱创始人 、首席科学家唐杰在X平台发表长文，并转发智谱技术博客 ，披露GLM团队在递归自我改进（Recursive Self-Improvement ，RSI）方向的首个工程化实践：由GLM-5.3驱动的Infra Agent完成了GLM-5.3-Flash推理基础设施的设计 、调试与优化——模型开始反向改进承载自己运行的系统。这是国内大模型厂商首次公开跑进生产环境的RSI案例 。
时点耐人寻味 。就在前一天，智谱刚在分析师电话会上披露 ，约50亿美元再融资中约60%的净额（约235亿港元）将投入下一代GLM基础模型和“完全自训练”体系；昨日 ，智谱又正式GLM-5.3-FlashX，其新版本推理速度最高可达200tokens/s，是GLM-5.3-Flash速度的5倍 ，定价提升至原版的2.5倍。大洋彼岸的Anthropic则公开了内部衡量AI自我改进速度的三大指标。战略叙事、工程实践 、产品提价 、监管仪表盘在48小时内密集落地——RSI这条曾被视作科幻概念的赛道 ，这一周同时进入了中国公司的生产环境、价目表和美国公司的披露清单 。
两周3倍：模型给自己建了一套推理系统
所谓递归自我改进，指的是AI系统不再只是被动运行的工具 ，而是开始参与改进自身——从写代码 、调优承载自己的系统 ，到终极形态：自主设计并训练出自己的“继任者 ” 。它被头部实验室视为通往AGI的关键一跃，逻辑很现实：人类研究员的扩张是线性的 ，而一旦模型开始参与研发自己的下一代 ，迭代速度就具备了复利式加速的可能。商业含义同样直接——AI研发效率和推理成本，正是大模型公司眼下最烧钱的两项支出；谁先让模型把这两项成本打下来 ，谁的商业闭环就先跑通 。
据智谱方面对《科创板日报》记者介绍 ，这次实践的硬指标是：Infra Agent在超过10万张国产芯片组成的集群上，从零搭建了一套完整的生产级推理服务 ，不到两周将端到端吞吐提升至初始基线的3倍 ，硬件利用效率与单Token成本达到主流NVIDIA GPU相当水平，并支持1M上下文窗口与多模态请求 。
据官方博客，此前没人成功部署过如此大规模的国产卡集群——芯片内存容量和带宽受限 、生态不成熟、算子不完备 ，许多文档基本靠猜。做成这件事的不是一支团队 ，而是GLM-5.3驱动的Infra Agent 。GLM-5.3-Flash的全部线上推理，目前都运行在这套系统之上 。
系统已经受真实流量检验：GLM-5.3-Flash以匿名模型Ox-Alpha在OpenCode与OpenRouter上线 ，一周内成为双平台调用量最大的模型 ，6天Token调用量超过62万亿。技术栈上，团队实施了以算力换带宽 、以通信换显存等定制化方案 ，并引入EPD（Encode–Prefill–Decode）分离式架构 。
值得记录的是这次实践的含RSI量：Agent不再只是生成代码 ，而是围绕推理系统完成了完整工程闭环——根据测试 、Trace、Benchmark等稠密反馈自主提出性能假设 、定位精度缺陷 、修改底层代码、执行分层测试并持续迭代 。GLM团队同时划清了边界：系统尚未达到完全自主设计和训练下一代模型的阶段，但RSI的早期形态已经出现——模型建设推理系统 ，系统再反过来支撑模型运行。
这次披露并非孤立事件 ，而是智谱半年来层层递进的一步 。今年7月，创始人唐杰在内部信《巨浪已来》中提出摸高计划 ，将完全自训练列为核心方向；8月31日业绩会上 ，智谱管理层首次为下一代模型定调：从预训练、中训练到后训练全流程让模型自己训练自己，核心特征是自净化——“最大的问题是这个模型能自己判断什么时候停止 、什么时候纠正自己，而不是简单地把模型训练大” 。
一位大模型业内人士告诉《科创板日报》记者 ，对智谱而言 ，RSI的商业含义同样直接：推理系统的吞吐与单Token成本，正是其算力经济账里80
