智谱披露 RSI 早期成果：GLM-5.3 Agent 自主搭建 10 万卡国产芯片推理系统
这是 RSI 第一次有跑进生产环境的工程实例：Agent 不只是写代码，更依赖系统提供的分层可验证反馈，才把 10 万卡国产集群的推理服务调通。
智谱创始人唐杰分享内部观察到的 RSI（递归自我改进，模型参与设计下一代自己）早期案例：GLM-5.3 驱动的 Infra Agent 在 10 万张国产芯片集群上从零搭建生产级推理系统，自己读系统反馈、改代码、跑实验，把 KV Transfer 中因 Python GIL 造成的 20% 性能损失压到 1% 以内，两周内将端到端吞吐提升到基线 3 倍。
正文摘录
清华大学计算机系教授、智谱创始人唐杰 刚刚分享了一个他们内部观察到的RSI早期案例： GLM-5.3驱动的Infra Agent，在超过10万张国产芯片组成的集群上，从零参与搭建并优化了一套生产级推理系统。 从算子精度问题，到Python/C++跨层并发瓶颈，再到Kernel性能优化，Agent已经能自己读取系统反馈、提出假设、修改代码、跑实验，再根据结果继续迭代。 比如它定位出了KV Transfer场景中Python GIL导致的并发阻塞，把Prefill+KV Transfer相比单独Prefill超过20%的性能损失，压到了 1%以内 ；还在KDA Decode算子上，通过重新组织计算拿到了 1.71× 的性能提升。 RSI第一次有了非常工程化、甚至已经跑进生产环境的雏形，超越了“未来某一天AI会自己变强”的抽象讨论。 在GLM的研发过程中， 模型时常会涌现出一些令我们惊喜、甚至让我们感到不安的能力 。 安全能力是代码能力的自然延伸，能够读懂复杂代码的模型，理应也能够理解代码中的漏洞。 我们没有预料它此后的走向 ，不到一年，安全伙伴使用GLM在真实代码库中发现了数千个漏洞。 我们看到模型完成了一项过去需要一支资深Infra团队数周才能完成的基础设施工作，并意识到这项工作将直接改变下一代模型的训练方式，我们更加确信： 我们的继任者，正是我们亲手创造出来的AI 。 坦白说，在GLM-4.7之前，我们内部用GLM写代码多少带着被迫的成分，毕竟是自己的“亲儿子”。 那时，Coding的PMF还未到来；今天，GLM-5.3已经成为每个人每天离不开的Coding伙伴，正一步步走向取代我们。 如果这一趋势延续下去，给足算力、给足时间，它的终点是一个能够完全自主设计并训练出自己继任者的系统，这被称为递归自我改进（Recursive Self-Improvement, RSI）。