ARTICLE · 1012443

让AI自己教自己:智谱押上235亿港元,学界刚解出最难一题

发布时间：2026-09-16 03:06:12 最近访问：2026-09-16 03:06:11

字数：约4666字 | 阅读时间：约12分钟

摘要：一周之内，智谱再融资393亿港元、6成投向GLM-6.0"完全自训练"，学界发布MetaRSI-v1统一架构：无外部教师，小模型自提升10.9分。本文拆解RSI如何从"固定程序"进化为"可调度的系统"，以及AI自我纠错这道最难题的答案。

一、一周之内，产业和学界同时下注

9月12日，智谱在港交所扔出一份公告：配售新H股加发行201.4亿元人民币零息可转债，净募约393亿港元。

钱怎么花，公告写得明明白白：约6成，也就是235亿港元左右，投向下一代GLM基础模型和一套叫"完全自训练"的体系。

这是智谱给RSI起的中文名。RSI，全称递归自我改进（Recursive Self-Improvement），指让模型自己生成训练数据、自己改写提示词、自己修复代码——训练AI这件事本身，开始交给AI。智谱的表述更进一步：下一代GLM将在上一代GLM搭建的环境里训练，形成递归式自我改进的闭环。

两天后的9月14日，学术端跟上。CosmosMind联合斯坦福、伯克利、MIT、清华、北大等十余家海内外高校（据量子位报道）发布MetaRSI-v1，论文挂在arXiv（编号2609.06396），号称全球首个统一Model-RSI、Data-RSI、Harness-RSI的元递归架构。

一个用两百多亿港元买"下一代的训练环境"，一个用一套架构回答"改进本身怎么被改进"。

为什么两头同时重注这条路线？

因为大模型行业撞上了一堵墙：人类能标注的优质数据见顶，后训练的边际收益递减。智谱自己的处境就是缩影——8月31日的半年报业绩会上，创始人唐杰刚被问过"智谱是不是只会后训练"，他的回答是透露GLM-6.0瞄准自进化。当"喂更好的数据"走到头，剩下的路只有一条：让模型自己当自己的老师。

但这条路上有个比"变强"难得多的障碍，也是唐杰当天亲口点出的：最大的问题是模型能否自己判断"什么时候停止、什么时候纠正自己"。

没有老师的自习课，最难的从来不是刷题。

是知道自己错了。

二、RSI是什么：一场没有老师的自习课

把RSI的行话翻译成自习课的语言，整个领域会瞬间清晰。

一个AI系统想自我改进，能下手的地方无非三处，对应三种"自己"：

RSI行话	自习课人话	实际在改什么
Data-RSI	自己编教材	从自己做题的轨迹里提炼经验，合成新的训练数据
Harness-RSI	自己改学习方法	调整提示词、记忆、工具、技能这些"学习装备"
Model-RSI	自己改大脑	把验证有效的做法训练进模型参数

在MetaRSI之前，这个领域的基本盘是：每个团队各改各的。做数据的只做数据，改提示词的只改提示词，训练模型的只管训练。而且几乎所有系统都是同一套结构——一个固定不变的改进程序，反复作用于模型。

MetaRSI论文做了一项不太客气的研究者普查：45个近年自我改进系统里，69%只在机器能免费判卷的任务上闭环——代码能跑通测试、数学能对答案、选择题能对标签。

这不是能力问题，是改卷成本问题。哪个科目好改卷，哪个科目就被反复练习；不好改卷的科目，压根没人开课。论文的措辞很精确：这是格式的约束，不是领域的约束。

三、MetaRSI-v1：把三个"自己"统一成一个系统

MetaRSI-v1做的事，可以概括成一句话：把三条各自为战的改进路线，装进同一台机器，再给这台机器配一个会总结经验的调度员。

3.1 一个内核：教练和裁判不能是同一个人

统一的起点是一条权力边界。任何自我改进，无论改的是数据、装备还是大脑，都被抽象成同一条闭环：读学习信号，提出改动，交给验证器裁决，结果回流成下一轮信号。

关键在裁决环节的设计：模型负责提议"改什么"，确定性代码负责判定"改得好不好"。

就像体育比赛里教练和裁判必须分开——教练可以提出任何战术，但比分不由教练说了算。模型的所有奇思妙想，都要过一道它自己改不动的裁判关。这道边界，是后面一切安全设计的地基。

3.2 三个算子：各写各的表面，共用一套流程

在这条内核之上，三个算子分别写入三个互不重叠的表面。Data-RSI从执行轨迹提取学习信号，合成经校验的训练数据，顺便标定"能力边界到哪"；Harness-RSI在五个可插拔槽位上做加减法——系统提示词、记忆、内置工具、技能、MCP外挂，即改即生效、零训练成本；Model-RSI用有界训练配方，把反复验证有效的行为刻进权重。

三者还有一层经济学的互补：放在Harness里的能力，每次推理都要重新付一遍上下文成本；内化进Model的能力，训练时付一次，之后免费。所以成熟的循环会持续把能力从贵的载体搬去便宜的载体，甚至反过来删掉脚手架里的冗余——能力留下，成本退场。

3.3 两个数据锚点

第一个锚点：35B总参、3B激活的Qwen3.5-35B-A3B，在没有任何外部教师模型的情况下，四项基准平均自我提升10.9分。

10.9分是什么概念？换成学生视角：一个中等生，没有请任何家教，靠自己整理错题、自己调整学习方法，四门考试总分拉高了整整一档。其中SWE-bench Pro的解决率从10.3%涨到19.5%，接近翻倍；AIME提了13.3分，GPQA高难度子集提了12.6分。

第二个锚点更反常识，也是各家报道普遍略过的细节："谁来决定顺序"本身值3.6分。

实验设计得很狠：同样三个算子、同样预算，一组按人工固定顺序执行（先数据、再模型、后脚手架），平均提升7.3分；一组由MetaRSI动态调度，提升10.9分。差的3.6分，唯一的变量是排班的人选。

调度不是记流水账，调度是承重组件。

原因藏在顺序的副作用里：改了脚手架，模型的行为就变了，之前积累的数据描述的已经是"上一个自己"，拿旧数据训练新自己，等于把过期的教材塞给学生。MetaRSI的调度员懂得避开这类坑——它知道什么信号过期了、什么顺序是死路。

3.4 元层：改进"改进者"本身

再往上一层是MetaRSI名字里"Meta"的由来。一个改进周期结束后，有个元层Agent复盘整场执行：哪些步骤的增益通过了发布闸门、哪些预算打了水漂、调度策略哪里判断失误——然后改写调度员自己的策略。

改进系统、改进算子用法、改进调度策略，三层嵌套，这就是论文说的"元递归"。连续五轮自我进化的累计增益，有元层是+26.2分，没有是+20.7分，而且衰减更晚、天花板更高。

还有个国产彩蛋：六款被送进这套循环的前沿模型里，就有GLM-5.2，自我提升+5.6分。智谱的押注不是空想——自家上一代模型，已经出现在这条路线的被试名单上。

本章关键洞察：MetaRSI的核心贡献不是某个更强的算子，而是证明了"组合与调度"本身就是增益来源——统一架构的价值，在于让1+1+1第一次大于3。

四、产业赌注与学术答案：AI怎么知道自己错了

现在把两条线放到一张桌上。

智谱"完全自训练"	论文侧对应	对应程度
数据自产（自我对弈、规则校验、模型评审）	Data-RSI（轨迹提炼、盲测校验合成）	直接对应
环境自造（智能体采集任务、自生成验证器）	Data-RSI+Harness-RSI的组合地带	部分重叠
基础设施自我优化（模型优化算子、内核、调度）	超出论文范围	智谱独有

真正的咬合点不在表格里，在唐杰那句"模型怎么知道自己错了"上。论文恰好用两层设计回答了这道题。

第一层叫封印评估器（sealed evaluator）：最终阅卷权——评测集、评分规则、发布闸门——锁死在所有可写表面之外。系统再怎么自我改进，也改不到"成功的定义"上。想提分？只能真的变强，不能改标准。

为什么必须这么设计？论文的定律四说得透彻：在闭环内部，真变强和放宽成功标准，会得到完全相同的分数——而且这种偏差从内部无法察觉，统计手段也纠正不了。学生自己给自己打分，努力和放水看起来一模一样。唯一的解法是把阅卷权交给系统够不着的地方。

第二层更根本，定律五：循环不凭空创造能力。

论文有句提纲挈领的话，"An amplifier is not a source"——放大器不是源。自我改进只能重新组织、放大、固化模型已有的潜力，新知识必须从外部输入。Data-RSI在架构里专门负责标定"哪些能力是模型从未展现过的"，这个边界之外的部分，才是真需要人类监督的地方。

知道"自己不知道什么"，比变强更关键。这既是论文的结论，也恰好是唐杰那个问题——什么时候停止、什么时候纠正自己——在架构层面的答案。

五、与读者何干：AI迭代方式的换挡

论文立场部分有句话值得单独拎出来：进步的单位不是模型，是循环（the unit of progress is the loop, not the model）。

过去我们谈AI进步，单位是"发布"：GPT-5到GPT-5.6，GLM-5到GLM-5.3，一次版本号一跳。RSI把单位换成了循环：模型在一个持续运转的改进闭环里逐轮变强，版本号只是循环的里程碑。六款前沿旗舰在这套循环里平均自提升7.3分、三轮累计11.3分、舰队均值从80.0爬到91.3——意味着现在的顶级模型全都留有大额自我改进空间，模型变强不再只靠等发布会。

对普通开发者和企业用户，这条路线有三个直接含义。其一，API背后的模型会持续静默变强，同一套提示词的产出质量会漂移，评估要常态化。其二，智谱的235亿港元买了"下一代的训练环境"，GLM-6.0的竞争力锚点将从"单次训练成果"转向"闭环运转效率"，选型时值得盯这个指标。其三，论文配套的RSI-Harness已开源（GitHub搜CosmosMind-ai/RSI-Harness），一个能自我迭代的执行脚手架，技术团队现在就能上手试。

冷静看的部分也要说足三点。第一，增益全部产生在机器可判卷的任务上——代码、数学、选择题；临床、法律、历史这些没有标准答案的领域，闭环还无从谈起，论文自己把这叫"验证器阶梯"上的空白地带。第二，增益逐轮递减，单轮收益从4.9分量级滑到1.4分量级，是减速曲线而非指数爆炸。第三，媒体标题里的"RSI进入平方时代"是修辞不是术语——论文的措辞是"元递归"：改进的是改进本身，不是无穷次方。

分清哪些是把已有能力放大，哪些是真正从外部引入新知——这个判断力，看懂这篇论文的人也该用在自己身上。

六、结尾

产业端花钱买训练环境，学术端出架构解纠错难题。智谱的235亿港元和MetaRSI的+10.9分，押的是同一个未来：AI的进步方式本身，正在被改写。

接下来盯三个观察点：GLM-6.0正式发布时"完全自训练"兑现到什么程度；RSI-Harness的开源社区能不能长出生态；以及最说明问题的信号——其他大厂何时跟进这条路线。

让AI自己改自己，最难的不是让它变强。

是让它知道自己什么时候错了。

这道题，产业和学界现在都在解。

---

景桁AI笔记 | 见智·AI实战

技术出身的创业者，深度研究AI在产品和商业中的应用

AI工具测评、实战案例、产品设计指南

---

相关话题：#智谱 #GLM #RSI #递归自我改进 #MetaRSI #AI自我进化 #大模型 #AGI #景桁AI笔记

---

相关学习资料