量子位10月19日刊发的授权稿件介绍，通衍灵智以共享基础模型加轻量Personal LoRA承载个人与企业专属能力，用Evaluator筛选反馈做增量更新；其RSI核心技术路线与产品架构已明确，但完整自动化闭环尚未完成，Paged LoRA测试在LoRA请求占比50%时仍出现性能退化。
AI解读：通衍灵智是依托北京通用人工智能研究院（BIGAI）体系的产业平台，方向为面向企业与个人的持续自进化专属模型（Personal AI），技术路线称为Recursive Self-Improving Personal AI（递归自进化个性化智能）。
架构上采用共享基础模型提供通用能力，个人、项目和企业通过轻量化的Personal LoRA做参数适配，把反复验证过的偏好和行为特征训练进参数；知识库、RAG和Memory仍用于动态知识和任务状态。
持续学习流程为：业务产生的任务轨迹、人工修正和实际结果形成候选数据，Evaluator按用户或企业的评价标准筛选，有效样本用于Personal LoRA增量更新；更新后需与旧版本在同批任务上对比，退化则回滚。
公司称完整自动化闭环仍处于持续研发阶段，灾难性遗忘、反馈污染、模型漂移和更新稳定性是待解挑战。CTO储兵兵表示，单次“拒绝”不会立即用于训练，反复出现的模式才可能变成学习。
算力侧包括TIP训推并行与Paged LoRA显存管理。阶段性测试用Qwen2.5-72B-Instruct和8张NVIDIA H800，在LoRA显存预算5.79GB下，请求占比1%至30%时Paged方案在响应延迟和长尾表现上有一定优势；占比升至50%时因参数频繁换入换出出现性能退化。
跨模型方面，Personal LoRA通常无法直接跨模型复用；公司称业务数据、训练样本、任务轨迹和评测体系可在新基础模型上重新适配。数据权利与模型成果归属仍需通过合同和授权明确。
量子位10月19日刊发一篇获授权转载的稿件，介绍北京通用人工智能研究院（BIGAI）产业平台通衍灵智的Personal AI技术路线。稿件称，该公司以共享基础模型加轻量Personal LoRA的方式，为个人、项目和企业承载专属能力，并以RSI（递归自我改进）框架做持续学习。
稿件明确，RSI核心技术路线与产品架构已经明确，相关模块正在推进工程化，完整自动化闭环仍处于持续研发阶段。来源为通衍灵智方面介绍及高管表态，未给出生产环境的效果数据。
专属能力放在参数层，而非只靠检索和记忆
稿件称，当前企业主要用Prompt、RAG、Memory和Skill让通用模型适配场景，这些机制在模型外部组织信息，模型参数通常不因一次业务交互改变。通衍灵智的选择是在基础模型之上叠加Personal LoRA，把经过验证的专业偏好和行为特征逐步训练进参数。
公司将其与行业模型区分：行业模型处理不同行业之间的能力差异，这一路线关注同一行业、同一任务中不同使用者之间的差异，例如两个软件项目可能有完全不同的工程规范。稿件同时表示，动态知识仍需检索，任务状态仍需记录，相对稳定的行为模式才进一步转成参数化能力。
- 架构：共享基础模型（Base Model）+ 个性化参数（Personal Parameters）
- 载体：轻量化Personal LoRA，面向个人、项目、企业三类主体
- 定位：不要求各方分别训练完整通用大模型
RSI的更新流程与安全边界
稿件描述的学习闭环是：业务运行产生的任务轨迹、人工修正和实际结果先形成候选学习数据；Evaluator按具体用户或企业的评价标准筛选反馈；有效样本用于Personal LoRA增量更新；更新后的模型与旧版本在同批任务上重跑比较，符合预设要求才上线，异常结果通过版本控制和回滚处理。Evaluator自身也可根据更新效果反向调整筛选方式。
通衍灵智CTO储兵兵在稿件中表示，不会用户点一下“拒绝”就立刻训练模型，Evaluator先判断反馈有无学习价值，一次反馈只是信号，反复出现的模式才可能变成学习。稿件列出的技术挑战包括灾难性遗忘、反馈污染、模型漂移和更新稳定性。
- 入选条件：Evaluator筛选，而非全部交互记录直接训练
- 上线条件：新旧版本同批任务对比，确认提升才上线
- 异常处理：版本控制与回滚
- 当前状态：完整自动化闭环仍在研发
成本侧的两项工程优化与测试边界
稿件称，若企业为数百个岗位、数千个Agent维护不同参数并持续训练和在线服务，独立训练、独立部署会带来较高计算和管理开销。通衍灵智因此做两项基础设施优化：TIP用同卡同批训推并行、异步梯度累积，让增量训练利用可用算力；Paged LoRA用分页管理和按需映射，让多个Personal LoRA共享基础模型与GPU显存。
已完成的阶段性测试使用Qwen2.5-72B-Instruct及8张NVIDIA H800 GPU，将Paged与传统Flat模式的LoRA显存预算统一控制在5.79GB。在LoRA请求占比1%至30%的测试负载下，Paged方案在响应延迟和长尾表现上取得一定优势；占比提升至50%时，频繁的参数换入换出仍造成性能退化。团队称正围绕异步加载、热点参数预取继续优化，更广泛生产环境的表现仍需验证。
- 测试模型：Qwen2.5-72B-Instruct
- 测试硬件：8张NVIDIA H800
- 显存预算：5.79GB（Paged与Flat统一控制）
- 优势区间：LoRA请求占比1%至30%
- 退化区间：占比50%时参数换入换出频繁
换基础模型时，什么能带走
稿件称，不同基础模型的结构与参数空间不天然兼容，Personal LoRA通常无法直接跨模型复用；可以继续用于新模型适配的是企业已积累的业务数据、训练样本、任务轨迹和评测体系。公司希望通过基础模型与个性化能力分层，降低对单一模型底座的依赖。
在数据与成果归属上，稿件说明共享基础模型、企业业务数据和个性化参数在产品设计中被划分为不同层次，具体的数据权利、知识产权和模型成果归属仍需通过合同、授权及数据治理机制明确。
通衍灵智CEO谢枭楠在稿件中表示，企业不必担心模型底座更换导致积累归零，真正属于企业的是长期积累的业务数据、任务轨迹、人工反馈和评测体系。北京通用人工智能研究院产业平台CEO李未则表示，基础模型越强，个性化智能能发挥的作用越大，先进基础模型提供共享通用能力，个性化模型通过长期交互形成专属能力。