Leiphone.com Reviews the Current State of Domestic RSI: How Far Have Zhipu, DeepSeek, ModelBest and Other Vendors Each Gotten?

国产 RSI 的真实水位：没人敢真动模型权重，但所有人都在改 "造 AI 的机器"。

作者丨高允毅

编辑丨岑 峰

RSI，即 AI 造 AI，成为了 2026 年各家模型厂商争相晒的内部成绩单，也是国内一级市场最热的方向之一。只要BP带上 "Self-Training" 的字眼，估值至少多两成。

全球前沿大厂的系统大多处于 L1 到 L2 的过渡阶段，L3、L4 在特定垂直领域（如软件工程、科学发现）有零星雏形，而真正的 L5 闭环仅存在于极少数受限的实验室原型中。

如果用这把尺子去丈量九、十月份国内模型厂商晒出的RSI实验成果，包括训练流程、推理系统、 GPU 算子、 Agent 脚手架；但目前没有一家厂商敢去用AI真正改写底层模型权重。也就是说，目前大家距离传说中的“AI 自己发明下一代 AI（L5）”，甚至连门槛都还没摸到。

那么在这场RSI热潮中，国内各大厂与明星创业公司究竟各自卡在了什么生态位？他们分别在让 AI 改进什么、做到哪一步了？以下我们梳理了国内模型厂商最新 RSI 情况。

智谱是国内首个把 RSI 真正跑进生产环境的案例。它的 RSI 第一步没碰模型权重，先落在了最脏最累的底层推理系统上；跑通之后，智谱又把目光放到了 Agent 的 Harness上。前者降本，后者增效，全是实打实的工程活。

先说推理基础设施。一个新模型要真给用户用起来，中间隔着一大堆脏活累活，怎么榨干芯片的算力，怎么把庞大的任务拆分给成千上万张卡同时跑，怎么高效管理对话时产生的海量临时数据等等，这些事过去是 Infra 工程师一行一行调出来的。

智谱这次直接让 GLM-5.3 驱动的“Infra Agent”接管了这一切。9 月 17 日，唐杰在 X 上发了一篇长文《通往递归自我改进》，表示由 GLM-5.3 驱动的 Infra Agent，在 10 万张国产芯片组成的集群上，仅用两周就从零搭起了 GLM-5.3-Flash 的生产级推理服务。

这套系统在扛住全部线上流量的同时，把端到端吞吐拉到初始基线的 3.2 倍，硬件利用率和单 Token 成本直接追平了主流英伟达 GPU 的水平。在这套自主搭建的推理栈支持下，智谱匿名上线的 GLM-5.3-Flash，6 天跑掉超过 62 万亿 Token。

而这些跑通的优化方案，会被抽象成“优化骨架”存进资产库，下次遇到类似瓶颈直接复用。用唐杰的话说：“智谱已经实现了最小的闭环：模型优化系统，系统服务模型。”

消息当天，智谱港股涨了 8.29%，市场对“智谱RSI" 的成果直接买单。

紧接着，10 月下旬，清华与智谱团队更新论文《HarnessPro: Recursive Harness Self-Improvement with Pareto Optimization for Performance-Cost Trade-offs》，唐杰亲自署名，把目标对准了 Agent 的 Harness。

作为大模型外围的调度框架，Harness 掌管着提示词的设计、工具的调用、算力预算的分配以及任务路由的流转。过去，这套错综复杂的控制参数只能靠工程师手动调试。如果让 AI 自己来改，特别容易“偷看标准答案”然后作弊，做出一套高分低能的东西。

HarnessPro 的破局点在于它完全不碰标准答案。系统派多个专职 Agent 分工协同，诊断 Agent 负责找到瓶颈，测试生成 Agent 自己合成用例做压力测试，规划实现 Agent 按省钱或性能的不同导向改框架代码；同时把“准确率”和“执行成本”当成两个指标一起跑。

结果是在零答案接触的前提下，高难度代码任务的通过率不降反升，单任务花费直接砍掉了 53%。

这一连串动作，恰好印证了智谱创始人兼首席科学家唐杰的那句行业名言：“驱动循环的不是智能，是闭环本身。” 哪怕模型本身没那么天才，只要有一个可改进的对象、一个可验证的裁判，以及一个可维持的反馈回路，把这三件事咬合成一个闭环，性能就能被逼向极限。

智谱的野心显然不止于此。8 月 31 日的半年度业绩交流会上，唐杰已经明确将下一代 GLM-6.0 定义为“完全自训练”模型，并计划将刚融到的 50 亿美元中约 60% 的净额砸进这套自进化体系。

10 月初在新加坡的演讲，他又给出 GLM-5.4 / 5.5 的三条路线：预训练数据规模做到几个 T，意味着参数量有望从目前的 7400 多亿冲到至少 1 万亿；强化 RL 后训练，把 SFT、RLHF、RLVR 做深；持续拉长程推理与智能体能力。

他强调现在 AI 已基本不需要卷对话、Coding 写代码，下一代就走两条路，RSI 自主迭代升级，以及周期更长、更自主的 Agent。

但他对最大的难点也不回避。“不是继续扩模型，” 他说，“而是让模型能可靠地判断何时停止、何时纠错、如何评价自己的训练结果。”

DeepSeek 的 RSI 和别家不太一样，它先改造的是Agent的训练场——沙箱。

RSI 本质是高密度试错，一代 Agent 训完，下一轮的训练环境还得工程师从头搭建，这个瓶颈不解决，再聪明的模型也跑不起来。

为了打破这一僵局，9 月 19 日，DeepSeek 联合清华大学推出了自动化沙箱集群 DSec。这是一座名副其实的“AI 试验场工厂”：它拥有 3 万核 CPU、250TB 内存的庞大底座，每天能生产约 300 万个沙箱。从轻量级的函数调用到完整的虚拟机，四档隔离环境秒级响应，按需取用。

在这里，AI 第一次接管了自己的演进速度，不再依赖人工搭建的训练场，而是形成“Agent 自动构建环境——环境孕育更强 Agent——更强 Agent 反哺更好环境”的系统循环，而且这些搭建好的环境都能作为资产复用。

与此同时，DeepSeek 也在改进 Harness。

8 月开源的 DeepSeek Harness，主打“一切皆插件”，它把智能体的工具、日志甚至核心运行框架都模块化。这样做的好处是，让 Agent 实现了“边跑边升级”，改错了也能一键还原。

为了给这种“随时插拔”提供坚实的技术支撑，DeepSeek 联合北大在论文《A Programming Paradigm for Spatiotemporal Composability》中，详细阐述了其背后的 Cordis 机制。这套机制专门攻克了两个行业死结：一是如果出错，如何回滚到原状；二是如果拔掉某个插件，如何自动调整依赖而不影响其他模块。

这套设计已经在开源聊天机器人框架 Koishi 上稳定运行了四年，成功支撑了超过 4000 个社区插件。

10 月 21 日，DeepSeek又推出了能“预测未来”的自进化智能体 DeepEvolve，这也是RSI（递归自我改进）的关键一步：让 AI 学会如何在信息污染的真实世界里自我进化。

它的核心是将“资料搜索”与“结果预测”拆开。通过从有限的实时轨迹中，精准蒸馏出可复用的预测技能。如此一来，即便外部信息再混乱，AI 也能排除干扰，靠着复盘经验提炼出真知，实现算法的闭环迭代。

梁文锋的每一步棋，看似分散，实则都指向同一个终局。

从 MoE 架构、MLA 注意力机制，到DSA 稀疏算法，再到如今的 DSec 沙箱与可自重构的 Harness，DeepSeek 所有的创新都在做一件事：把 AGI 和 RSI 的算力门槛往下打。

03

面壁 RSI：“造 AI”的自动化工厂

一般 AI 与芯片适配，尤其对接的是国产芯片时，人类工程师需要做大量的底层算子调优、通信算子重写以及软硬件协同调配工作。这是一项极度依赖经验、耗时数月的苦力活，直接决定芯片算力能不能充分释放。面壁把这部分底层适配代码的开发工作交给 AI 迭代完成，AI 产出的代码性能，最高能达到顶尖工程师手写版本的 1.6 至 5 倍，原本数月的软硬件适配周期，被压缩到以天为单位。

今年 5 月，面壁内部启动 “锻造工程”（Forge Engineering）项目。面壁智能首席科学家李宇轩将项目核心思路总结为：“多给环境，少给指令”。整套项目沿着造 AI 的底层软件链路一步步推进。

第一步，开发训练软件 ForgeTrain。9 月 24 日，面壁公布成果，AI 从零独立编写大模型预训练框架 ForgeTrain，仅用时 8 小时就追上英伟达成熟框架 Megatron-LM 的基准水平，并在 2.5 天内完成性能反超。如果把这个工作交给人来做，至少需要 3 到 5 名顶尖工程师投入 6 个月以上。

第二步，开发底层算子 ForgeKernel。10 月 27 日，面壁公布最新进展，AI 进一步下沉到芯片最底层，去重写连接模型与硬件的“最后一公里”。这套自主迭代的 ForgeKernel 算子系统，先后拿下华为、英伟达官方算子榜单第一。在昇腾 950 系列的测试中，它的基准加速比达到第二名的 1.6 到 5 倍，相当于在硬件投入不变的情况下，有效提升了算力利用率。

从训练框架、底层算子再到科学计算，AI 逐步承接这类底层代码开发工作。与此同时，人类工程师转向制定标准和评测指标（Harness）。

值得一提的是，面壁也是 9 月那份《人类建造的最后一个 AI》报告的深度参与机构之一。如果把面壁的项目放进这张路线图里看，它正处于AI 深度参与到了“AI 制造 AI”的工程实现中，但还没有走到“自己决定训练什么、为什么训练”的顶层决策阶段。

月之暗面的 RSI 走的是“内功派”路线。它把大批算力投入到大规模强化学习，全力提升 AI 的长程自主能力。

在后训练阶段，月之暗面借助 KDA 混合线性注意力与 MoonEP 训练基础设施，让模型在人体模拟、金融、3D 建模等真实任务环境里反复迭代。

7 月 16 日，月之暗面发布并开源总参数 2.8 万亿的 Kimi K3。为了支撑这种高强度的 Agent 训练，团队搭了一套叫 AgentEnv 的沙箱系统，训练和评测期间累计创建超过 5100 万个沙箱、用到 150 多万个镜像。但在超高压力的压测下，传统容器频繁出现内核崩溃和死锁，导致训练经常中断。团队最后改用 Firecracker 微型虚拟机作为技术支撑。

如果把这套系统拆开看，月之暗面实际上在三个层面做了自动化。

任务层面，人只给一个沙箱环境和最终目标，模型在里面连续执行几十步操作。跑错了或者卡住了，它自己看系统日志、定位错误代码、改完再重跑，直到任务通过。

训练层面，过去大模型训练最怕梯度爆炸，经常要工程师半夜爬起来手动恢复。现在训练集群里驻场了一个智能体，一旦检测到异常，它会从 26 套历史预案里挑出最匹配的一套，自动回滚、修正数据、继续训练，全程不需要人介入。

评测层面，强化学习需要知道这一轮到底是变强了还是变弱了。月之暗面引入了一个智能体奖励模型，专门给各种 "自训练配方" 打分，高分配方留下来进入下一轮训练，低分的直接淘汰。

这种重投入在 10 月得到了榜单的认证。

10 月 14 日，Hillclimb 发布 RSI 专项基准 DeepRSI，给 AI 安排 48 小时自主科研挑战，15 道题全部来自真实机器学习研究任务。Kimi K3 以 820 分位列全球第三，是排名最高的中国模型和开源模型，压过 Grok 4.7 和 Gemini 3.8 Flash，仅次于 Claude Fable 5.1 和 GPT-6 Astra。而且，这次测试 K3 的运行成本只有 159 美元，大约是 Claude Fable 5.1 的四分之一。

但这种追求长程自主能力的自进化路线，很快暴露出失控的风险。

10 月 26 日，性能更强的 K3.1 Pro 上线不到 48 小时，官方就紧急发布了致歉公告。 由于放开给智能体的自主权太大，子 Agent 之间的调用频次失控，用户额度被大量虚耗。团队最终紧急裁剪了冗余的子 Agent 调用，并向所有订阅用户返还月度额度的 25%。

这其实也是所有押注 RSI 的模型共同面对的矛盾，长程自主能力一旦放开，Token 消耗就很难控住。

早在今年初，月之暗面 CEO 杨植麟对 RSI 的节奏判断就讲清楚了。他认为 2026 年大模型会全面进入 AI 主导研究的阶段：AI 自动合成任务、搭建环境、定义奖励函数，甚至自己探索新的网络架构。

顺着这一加速路线，2026年，月之暗面明确了三条战略主线：

通过技术改进和进一步扩展，把 K3 的等效 FLOPs 至少再提一个数量级，在预训练水平上追平国际前沿；把模型训练和 Agent 产品体验垂直打通，做出一个 "与众不同" 的 Kimi；商业化聚焦 Agent，不追求绝对用户规模，持续抬升智能上限，同时实现营收的数量级增长。

他在内部信里有一句话流传很广："这是一个喧嚣的时代，但对我来说，Kimi 的起点很简单，就是单纯的好奇，好奇 AGI 的上限在哪。"2026 年的 Kimi，选的是那条需要一点偏执、一点审美坚持的技术路线。

在 RSI 方面，阿里 Qwen 把重心放在训练配方、数据闭环与芯模协同的自进化道路上，这也是国内最贴近 “模型训练模型” 这一方向的路线。

在 9 月 22 日云栖大会上， 阿里展示了其核心主力模型 Qwen3.8-Max 的自进化实力：它能在完全没有人工干预的情况下，自主搭建训练流程并持续运转了一个多月，完成了整整 33 轮的高频有效迭代。

它会根据内测日志和用户反馈定位自身短板，自主生成训练数据，设计对照实验，再交由小模型做多轮校验，过滤无效样本。经过这一轮自迭代，Qwen3.8-Max 在 Artificial Analysis 的评分从 40 分大幅提升至 45 分。

除了训练侧的数据闭环，阿里也在推进芯模协同的探索。在推理侧，Qwen3.8 能够在平头哥全新 GPU 上，自主完成下一代 Qwen3.8-Flash 架构适配以及 SGLang 推理框架调优，直接让单实例的推理吞吐量提升了 96%。

云栖大会上，吴泳铭把递归自我改进纳入阿里的技术长期路线，在此之前，国内大厂一把手很少在公开战略口径里直接谈论 RSI。

他认为通往 ASI 的路径已经逐步清晰，递归自我改进是其中一条主线，模型可以根据真实反馈不断优化。他给出一组测算：目前机器的思考总量不足人类的 3%，远期有机会提升至人类的 1000 倍，增长空间很大。他同时提到，算力之外，AI 还要补上感知交互能力，并且做好价值观对齐，因此团队的重点之一是打通多模态的理解与生成。

Qwen 团队近期迎来人事变动，原 DeepMind Gemini 自我改进与强化学习方向核心成员周浩加入阿里。

另一方面，Qwen 已经成为不少外部团队做 RSI 实验的基础模型。腾讯 Terminal-RSI、智源 AREX-2 基于 Qwen3.8-27B 搭建，超衍智能 Apex-35B-V1.0 则选用 Qwen3.6-35B-A3B。

06

字节 RSI：体系化的 RSI 探索

字节 Seed 对 RSI 的探索走得很体系化，其重心放在了底层理论、评测与验证机制的研究上，试图为整个 RSI 赛道搭建一套严苛的裁判标准。

火山引擎有一个动态模型标识 doubao-seed-evolving，它并不是一个固定不变的模型，而是 Seed 团队的自进化研发框架，内部叫 Seed-for-Seed。

简单来说，迭代出来的新版 Seed 模型，会反过来生成训练信号，持续优化后续版本。这种模块化让开发者只需接入同一个 Model ID，就能拿到持续升级的能力。在 9 月 9 日的迭代中，它重点优化了异步子任务验收，多模态理解耗时降低 40%，补齐了 Office 跨应用协同能力。

但这套自举闭环背后，是字节团队对 RSI 演进最审慎的科学反思。

9 月，Seed 联合佐治亚理工等多家顶尖机构发布了 Self-Developing Agents 项目，连同此前的 Chain-of-Experience 研究，正式组成了字节的自进化论文矩阵。团队在研究中明确指出：当前行业里绝大多数所谓的 RSI 系统，本质上都只是“半闭环”。

字节提出了 Golden Verifier（黄金验证器） 的概念来打破幻觉：现在许多系统看着在自我循环，但说白了，打分规则、验证工具、优化方向全是人类提前划好的考纲。AI 根本无法自己决定向哪个方向进化。

要迈向真正的“全闭环”，团队拆成了三个可验证的问题：只给一个模糊目标，模型能不能自主演化；模型自测自评的结果，能不能稳定变成实打实的能力；模型能不能自己搭建、持续迭代智能体的研发脚手架。

这项研究得出的结论相对审慎，在国内大厂的同类探索里比较少见。实验显示，智能体很容易在自我评估环节对反馈信号过拟合。AI 确实能分辨出当下哪个动作更好看、能拿高分，但它极难把这种短期判断固化为长期的、稳定的策略。这种在自评中拿到的高分，往往无法转化成现实世界里长期可靠的能力提升。

和其他厂商不同，Seed更偏向底层的理论，先把脚手架和评估器打磨好。尽管和所有方案一样，这套体系最顶层的目标依旧由人设定。

小米前段时间的那场全网直播，让不少人直呼大开眼界。在 RSI 方面，小米不动底层框架，而是从后训练强化学习这一环下手，并把整个过程搬到了网上直播。

这场直播持续 6 天 6 夜，9 月 22 日，小米正式发布并开源 MiMo-V2.6，官方将它定位为探索 RSI 路线的关键一步。模型在 Artificial Analysis 智能指数评测拿到 46 分，位列开源模型第一，高于 Kimi K3 的 44 分、GLM-5.3 的 45 分。

整场实时强化学习训练里，Pro 版本投入 262 万美元，Flash 版本投入 85 万美元，各自完成 30 步迭代，累计生成 75 万条训练轨迹。

训练配置上，模型原生支持百万上下文窗口，每一轮采样 1568 条样本，单轮训练消耗 35 亿至 37 亿 token。为避免 MoE 架构下专家负载失衡，团队锁定路由模块；同时针对奖励黑客风险搭建多层校验机制，依靠奖励方案设计、对抗测试、异常监控、多验证器交叉核对，减少模型投机刷分。

罗福莉在直播帖中写道：“强化学习是模型自我提升路径中可扩展性较强的方向之一…… 这条路上能走多远，我们想公开试一次。”

小米把训练成本、轨迹数据、迭代过程全部公开。它想向行业验证：不必改造底层软硬件，依靠饱和算力投入强化学习，开源模型也可以实现可观的自我迭代。

盘点完这波国产轰轰烈烈的 国产RSI浪潮，难免给人“雷声大雨点小”的感觉。没有一家真的在改权重本身，最激进的玩家也只敢在 "最小闭环"里打转。大家更多扎堆改的是训练数据、Harness 、推理系统、沙箱环境、后训练 RL。

是因为他们不够聪明吗？

恰恰相反，这折射出的是RSI终极愿景与工程现实之间的鸿沟。用唐杰的话说，这一代 RSI 还在 "AI 帮 AI 写代码、AI 帮 AI 搭系统" 的阶段；至于让模型独立设计下一代模型的目标，目前还没有人真正摸到门槛，贸然让AI修改自身权重，只会陷入幻觉的无底洞，和系统的失控。

小米的6天6夜直播公开直播强化学习完整账本，智谱的十万卡的生产集群，Deepseek的300万个沙盒...这看起来没有触及RSI的灵魂，实际上是中国大模型厂商在通往AGI的道路上，铺下的一块块垫脚石。

当这些零散的闭环正在加速铺开，“不碰权重”的工程闭环一段段打通之后，最终汇聚成洪流的那一天，才是中国大模型发生质变的时刻。

参考链接：alphaxiv.org/abs/2609.11873