一天造300萬個沙盒，10萬張卡自己寫系統：2026年國產 RSI 到底有多野？

國產 RSI 的真實水位：沒人敢真動模型權重，但所有人都在改 "造 AI 的機器"。作者丨高允毅 編輯丨岑 峰 RSI，即 AI 造 AI，成為了 2026 年各家模型廠商爭相曬的內部成績單，也是國內一級市場最熱的方向之一。只要BP帶上 "Self-Training" 的字眼，估值至少多兩成。但真正的 RSI ，不止是 AI 改進 AI ,它還得把經驗沉澱下來，讓學習方法本身跟著進化。

今年 9 月，上海交大、清華、字節、商湯等機構的 35 位研究者發了篇論文《The Last AI Built by Humans》，給整個行業立了把標尺，它 RSI 分 L1 到 L5 五層，結論令人扎心：全球前沿大廠的系統大多處於 L1 到 L2 的過渡階段，L3、L4 在特定垂直領域（如軟件工程、科學發現）有零星雛形，而真正的 L5 閉環僅存在於極少數受限的實驗室原型中。如果用這把尺子去丈量九、十月份國內模型廠商曬出的RSI實驗成果，包括訓練流程、推理系統、 GPU 算子、 Agent 腳手架；但目前沒有一家廠商敢去用AI真正改寫底層模型權重。

也就是說，目前大家距離傳說中的“AI 自己發明下一代 AI（L5）”，甚至連門檻都還沒摸到。那麼在這場RSI熱潮中，國內各大廠與明星創業公司究竟各自卡在了什麼生態位？他們分別在讓 AI 改進什麼、做到哪一步了？以下我們梳理了國內模型廠商最新 RSI 情況。01 智譜 RSI ：跑在 10 萬張國產卡上，能自我優化的推理系統智譜是國內首個把 RSI 真正跑進生產環境的案例。它的 RSI 第一步沒碰模型權重，先落在了最髒最累的底層推理系統上；跑通之後，智譜又把目光放到了 Agent 的 Harness上。前者降本，後者增效，全是實打實的工程活。先說推理基礎設施。

一個新模型要真給用戶用起來，中間隔著一大堆髒活累活，怎麼榨乾芯片的算力，怎麼把龐大的任務拆分給成千上萬張卡同時跑，怎麼高效管理對話時產生的海量臨時數據等等，這些事過去是 Infra 工程師一行一行調出來的。智譜這次直接讓 GLM-5.3 驅動的“Infra Agent”接管了這一切。9 月 17 日，唐傑在 X 上發了一篇長文《通往遞歸自我改進》，表示由 GLM-5.3 驅動的 Infra Agent，在 10 萬張國產芯片組成的集群上，僅用兩週就從零搭起了 GLM-5.3-Flash 的生產級推理服務。這套系統在扛住全部線上流量的同時，把端到端吞吐拉到初始基線的 3.

2 倍，硬件利用率和單 Token 成本直接追平了主流英偉達 GPU 的水平。在這套自主搭建的推理棧支持下，智譜匿名上線的 GLM-5.3-Flash，6 天跑掉超過 62 萬億 Token。而這些跑通的優化方案，會被抽象成“優化骨架”存進資產庫，下次遇到類似瓶頸直接複用。用唐傑的話說：“智譜已經實現了最小的閉環：模型優化系統，系統服務模型。”消息當天，智譜港股漲了 8.29%，市場對“智譜RSI" 的成果直接買單。

緊接著，10 月下旬，清華與智譜團隊更新論文《HarnessPro: Recursive Harness Self-Improvement with Pareto Optimization for Performance-Cost Trade-offs》，唐傑親自署名，把目標對準了 Agent 的 Harness。作為大模型外圍的調度框架，Harness 掌管著提示詞的設計、工具的調用、算力預算的分配以及任務路由的流轉。過去，這套錯綜複雜的控制參數只能靠工程師手動調試。如果讓 AI 自己來改，特別容易“偷看標準答案”然後作弊，做出一套高分低能的東西。

HarnessPro 的破局點在於它完全不碰標準答案。系統派多個專職 Agent 分工協同，診斷 Agent 負責找到瓶頸，測試生成 Agent 自己合成用例做壓力測試，規劃實現 Agent 按省錢或性能的不同導向改框架代碼；同時把“準確率”和“執行成本”當成兩個指標一起跑。結果是在零答案接觸的前提下，高難度代碼任務的通過率不降反升，單任務花費直接砍掉了 53%。這一連串動作，恰好印證了智譜創始人兼首席科學家唐傑的那句行業名言：“驅動循環的不是智能，是閉環本身。

” 哪怕模型本身沒那麼天才，只要有一個可改進的對象、一個可驗證的裁判，以及一個可維持的反饋迴路，把這三件事咬合成一個閉環，性能就能被逼向極限。智譜的野心顯然不止於此。8 月 31 日的半年度業績交流會上，唐傑已經明確將下一代 GLM-6.0 定義為“完全自訓練”模型，並計劃將剛融到的 50 億美元中約 60% 的淨額砸進這套自進化體系。10 月初在新加坡的演講，他又給出 GLM-5.4 / 5.5 的三條路線：預訓練數據規模做到幾個 T，意味著參數量有望從目前的 7400 多億衝到至少 1 萬億；強化 RL 後訓練，把 SFT、RLHF、RLVR 做深；持續拉長程推理與智能體能力。

他強調現在 AI 已基本不需要卷對話、Coding 寫代碼，下一代就走兩條路，RSI 自主迭代升級，以及週期更長、更自主的 Agent。但他對最大的難點也不迴避。“不是繼續擴模型，” 他說，“而是讓模型能可靠地判斷何時停止、何時糾錯、如何評價自己的訓練結果。”02DeepSeek RSI: DSec 沙箱工廠，一天 300 萬個 "試驗場"DeepSeek 的 RSI 和別家不太一樣，它先改造的是Agent的訓練場——沙箱。RSI 本質是高密度試錯，一代 Agent 訓完，下一輪的訓練環境還得工程師從頭搭建，這個瓶頸不解決，再聰明的模型也跑不起來。

為了打破這一僵局，9 月 19 日，DeepSeek 聯合清華大學推出了自動化沙箱集群 DSec。這是一座名副其實的“AI 試驗場工廠”：它擁有 3 萬核 CPU、250TB 內存的龐大底座，每天能生產約 300 萬個沙箱。從輕量級的函數調用到完整的虛擬機，四檔隔離環境秒級響應，按需取用。在這裡，AI 第一次接管了自己的演進速度，不再依賴人工搭建的訓練場，而是形成“Agent 自動構建環境——環境孕育更強 Agent——更強 Agent 反哺更好環境”的系統循環，而且這些搭建好的環境都能作為資產複用。與此同時，DeepSeek 也在改進 Harness。

8 月開源的 DeepSeek Harness，主打“一切皆插件”，它把智能體的工具、日誌甚至核心運行框架都模塊化。這樣做的好處是，讓 Agent 實現了“邊跑邊升級”，改錯了也能一鍵還原。以前 AI 升級框架必須停機重啟，否則系統就會越改越亂。現在模塊化後，AI 在不停機的情況下，能隨時卸載、換新，十分安全。為了給這種“隨時插拔”提供堅實的技術支撐，DeepSeek 聯合北大在論文《A Programming Paradigm for Spatiotemporal Composability》中，詳細闡述了其背後的 Cordis 機制。

這套機制專門攻克了兩個行業死結：一是如果出錯，如何回滾到原狀；二是如果拔掉某個插件，如何自動調整依賴而不影響其他模塊。這套設計已經在開源聊天機器人框架 Koishi 上穩定運行了四年，成功支撐了超過 4000 個社區插件。10 月 21 日，DeepSeek又推出了能“預測未來”的自進化智能體 DeepEvolve，這也是RSI（遞歸自我改進）的關鍵一步：讓 AI 學會如何在信息汙染的真實世界裡自我進化。它的核心是將“資料搜索”與“結果預測”拆開。通過從有限的實時軌跡中，精準蒸餾出可複用的預測技能。如此一來，即便外部信息再混亂，AI 也能排除干擾，靠著覆盤經驗提煉出真知，實現算法的閉環迭代。

梁文鋒的每一步棋，看似分散，實則都指向同一個終局。從 MoE 架構、MLA 注意力機制，到DSA 稀疏算法，再到如今的 DSec 沙箱與可自重構的 Harness，DeepSeek 所有的創新都在做一件事：把 AGI 和 RSI 的算力門檻往下打。03面壁 RSI：“造 AI”的自動化工廠面壁的 RSI，是讓 AI 去寫“造 AI” 所需的底層基礎軟件。一般 AI 與芯片適配，尤其對接的是國產芯片時，人類工程師需要做大量的底層算子調優、通信算子重寫以及軟硬件協同調配工作。這是一項極度依賴經驗、耗時數月的苦力活，直接決定芯片算力能不能充分釋放。

面壁把這部分底層適配代碼的開發工作交給 AI 迭代完成，AI 產出的代碼性能，最高能達到頂尖工程師手寫版本的 1.6 至 5 倍，原本數月的軟硬件適配週期，被壓縮到以天為單位。今年 5 月，面壁內部啟動 “鍛造工程”（Forge Engineering）項目。面壁智能首席科學家李宇軒將項目核心思路總結為：“多給環境，少給指令”。整套項目沿著造 AI 的底層軟件鏈路一步步推進。第一步，開發訓練軟件 ForgeTrain。9 月 24 日，面壁公佈成果，AI 從零獨立編寫大模型預訓練框架 ForgeTrain，僅用時 8 小時就追上英偉達成熟框架 Megatron-LM 的基準水平，並在 2.

5 天內完成性能反超。如果把這個工作交給人來做，至少需要 3 到 5 名頂尖工程師投入 6 個月以上。第二步，開發底層算子 ForgeKernel。10 月 27 日，面壁公佈最新進展，AI 進一步下沉到芯片最底層，去重寫連接模型與硬件的“最後一公里”。這套自主迭代的 ForgeKernel 算子系統，先後拿下華為、英偉達官方算子榜單第一。在昇騰 950 系列的測試中，它的基準加速比達到第二名的 1.6 到 5 倍，相當於在硬件投入不變的情況下，有效提升了算力利用率。第三步，重寫科學計算。AI 開始跨界接管一部分真實的工業仿真、科學計算底層核心代碼的編寫。

從訓練框架、底層算子再到科學計算，AI 逐步承接這類底層代碼開發工作。與此同時，人類工程師轉向制定標準和評測指標（Harness）。值得一提的是，面壁也是 9 月那份《人類建造的最後一個 AI》報告的深度參與機構之一。如果把面壁的項目放進這張路線圖裡看，它正處於AI 深度參與到了“AI 製造 AI”的工程實現中，但還沒有走到“自己決定訓練什麼、為什麼訓練”的頂層決策階段。04月之暗面 RSI：長週期任務的自主迭代月之暗面的 RSI 走的是“內功派”路線。它把大批算力投入到大規模強化學習，全力提升 AI 的長程自主能力。

在後訓練階段，月之暗面藉助 KDA 混合線性注意力與 MoonEP 訓練基礎設施，讓模型在人體模擬、金融、3D 建模等真實任務環境裡反覆迭代。7 月 16 日，月之暗面發佈並開源總參數 2.8 萬億的 Kimi K3。為了支撐這種高強度的 Agent 訓練，團隊搭了一套叫 AgentEnv 的沙箱系統，訓練和評測期間累計創建超過 5100 萬個沙箱、用到 150 多萬個鏡像。但在超高壓力的壓測下，傳統容器頻繁出現內核崩潰和死鎖，導致訓練經常中斷。團隊最後改用 Firecracker 微型虛擬機作為技術支撐。如果把這套系統拆開看，月之暗面實際上在三個層面做了自動化。

任務層面，人只給一個沙箱環境和最終目標，模型在裡面連續執行幾十步操作。跑錯了或者卡住了，它自己看系統日誌、定位錯誤代碼、改完再重跑，直到任務通過。訓練層面，過去大模型訓練最怕梯度爆炸，經常要工程師半夜爬起來手動恢復。現在訓練集群裡駐場了一個智能體，一旦檢測到異常，它會從 26 套歷史預案裡挑出最匹配的一套，自動回滾、修正數據、繼續訓練，全程不需要人介入。評測層面，強化學習需要知道這一輪到底是變強了還是變弱了。月之暗面引入了一個智能體獎勵模型，專門給各種 "自訓練配方" 打分，高分配方留下來進入下一輪訓練，低分的直接淘汰。這種重投入在 10 月得到了榜單的認證。

10 月 14 日，Hillclimb 發佈 RSI 專項基準 DeepRSI，給 AI 安排 48 小時自主科研挑戰，15 道題全部來自真實機器學習研究任務。Kimi K3 以 820 分位列全球第三，是排名最高的中國模型和開源模型，壓過 Grok 4.7 和 Gemini 3.8 Flash，僅次於 Claude Fable 5.1 和 GPT-6 Astra。而且，這次測試 K3 的運行成本只有 159 美元，大約是 Claude Fable 5.1 的四分之一。但這種追求長程自主能力的自進化路線，很快暴露出失控的風險。10 月 26 日，性能更強的 K3.

1 Pro 上線不到 48 小時，官方就緊急發佈了致歉公告。由於放開給智能體的自主權太大，子 Agent 之間的調用頻次失控，用戶額度被大量虛耗。團隊最終緊急裁剪了冗餘的子 Agent 調用，並向所有訂閱用戶返還月度額度的 25%。這其實也是所有押注 RSI 的模型共同面對的矛盾，長程自主能力一旦放開，Token 消耗就很難控住。早在今年初，月之暗面 CEO 楊植麟對 RSI 的節奏判斷就講清楚了。他認為 2026 年大模型會全面進入 AI 主導研究的階段：AI 自動合成任務、搭建環境、定義獎勵函數，甚至自己探索新的網絡架構。

順著這一加速路線，2026年，月之暗面明確了三條戰略主線：通過技術改進和進一步擴展，把 K3 的等效 FLOPs 至少再提一個數量級，在預訓練水平上追平國際前沿；把模型訓練和 Agent 產品體驗垂直打通，做出一個 "與眾不同" 的 Kimi；商業化聚焦 Agent，不追求絕對用戶規模，持續抬升智能上限，同時實現營收的數量級增長。他在內部信裡有一句話流傳很廣："這是一個喧囂的時代，但對我來說，Kimi 的起點很簡單，就是單純的好奇，好奇 AGI 的上限在哪。"2026 年的 Kimi，選的是那條需要一點偏執、一點審美堅持的技術路線。

05 阿里 RSI：33 輪自主迭代，AI 重構訓練流程在 RSI 方面，阿里 Qwen 把重心放在訓練配方、數據閉環與芯模協同的自進化道路上，這也是國內最貼近 “模型訓練模型” 這一方向的路線。在 9 月 22 日雲棲大會上， 阿里展示了其核心主力模型 Qwen3.8-Max 的自進化實力：它能在完全沒有人工干預的情況下，自主搭建訓練流程並持續運轉了一個多月，完成了整整 33 輪的高頻有效迭代。它會根據內測日誌和用戶反饋定位自身短板，自主生成訓練數據，設計對照實驗，再交由小模型做多輪校驗，過濾無效樣本。經過這一輪自迭代，Qwen3.

8-Max 在 Artificial Analysis 的評分從 40 分大幅提升至 45 分。除了訓練側的數據閉環，阿里也在推進芯模協同的探索。在推理側，Qwen3.8 能夠在平頭哥全新 GPU 上，自主完成下一代 Qwen3.8-Flash 架構適配以及 SGLang 推理框架調優，直接讓單實例的推理吞吐量提升了 96%。雲棲大會上，吳泳銘把遞歸自我改進納入阿里的技術長期路線，在此之前，國內大廠一把手很少在公開戰略口徑裡直接談論 RSI。他認為通往 ASI 的路徑已經逐步清晰，遞歸自我改進是其中一條主線，模型可以根據真實反饋不斷優化。

他給出一組測算：目前機器的思考總量不足人類的 3%，遠期有機會提升至人類的 1000 倍，增長空間很大。他同時提到，算力之外，AI 還要補上感知交互能力，並且做好價值觀對齊，因此團隊的重點之一是打通多模態的理解與生成。Qwen 團隊近期迎來人事變動，原 DeepMind Gemini 自我改進與強化學習方向核心成員周浩加入阿里。另一方面，Qwen 已經成為不少外部團隊做 RSI 實驗的基礎模型。騰訊 Terminal-RSI、智源 AREX-2 基於 Qwen3.8-27B 搭建，超衍智能 Apex-35B-V1.0 則選用 Qwen3.6-35B-A3B。

06字節 RSI：體系化的 RSI 探索字節 Seed 對 RSI 的探索走得很體系化，其重心放在了底層理論、評測與驗證機制的研究上，試圖為整個 RSI 賽道搭建一套嚴苛的裁判標準。火山引擎有一個動態模型標識 doubao-seed-evolving，它並不是一個固定不變的模型，而是 Seed 團隊的自進化研發框架，內部叫 Seed-for-Seed。簡單來說，迭代出來的新版 Seed 模型，會反過來生成訓練信號，持續優化後續版本。這種模塊化讓開發者只需接入同一個 Model ID，就能拿到持續升級的能力。

在 9 月 9 日的迭代中，它重點優化了異步子任務驗收，多模態理解耗時降低 40%，補齊了 Office 跨應用協同能力。但這套自舉閉環背後，是字節團隊對 RSI 演進最審慎的科學反思。9 月，Seed 聯合佐治亞理工等多家頂尖機構發佈了 Self-Developing Agents 項目，連同此前的 Chain-of-Experience 研究，正式組成了字節的自進化論文矩陣。團隊在研究中明確指出：當前行業裡絕大多數所謂的 RSI 系統，本質上都只是“半閉環”。

字節提出了 Golden Verifier（黃金驗證器） 的概念來打破幻覺：現在許多系統看著在自我循環，但說白了，打分規則、驗證工具、優化方向全是人類提前劃好的考綱。AI 根本無法自己決定向哪個方向進化。要邁向真正的“全閉環”，團隊拆成了三個可驗證的問題：只給一個模糊目標，模型能不能自主演化；模型自測自評的結果，能不能穩定變成實打實的能力；模型能不能自己搭建、持續迭代智能體的研發腳手架。這項研究得出的結論相對審慎，在國內大廠的同類探索裡比較少見。實驗顯示，智能體很容易在自我評估環節對反饋信號過擬合。AI 確實能分辨出當下哪個動作更好看、能拿高分，但它極難把這種短期判斷固化為長期的、穩定的策略。

這種在自評中拿到的高分，往往無法轉化成現實世界裡長期可靠的能力提升。和其他廠商不同，Seed更偏向底層的理論，先把腳手架和評估器打磨好。儘管和所有方案一樣，這套體系最頂層的目標依舊由人設定。07小米 RSI：一場 6 天 6 夜的 RSI 直播小米前段時間的那場全網直播，讓不少人直呼大開眼界。在 RSI 方面，小米不動底層框架，而是從後訓練強化學習這一環下手，並把整個過程搬到了網上直播。這場直播持續 6 天 6 夜，9 月 22 日，小米正式發佈並開源 MiMo-V2.6，官方將它定位為探索 RSI 路線的關鍵一步。

模型在 Artificial Analysis 智能指數評測拿到 46 分，位列開源模型第一，高於 Kimi K3 的 44 分、GLM-5.3 的 45 分。整場實時強化學習訓練裡，Pro 版本投入 262 萬美元，Flash 版本投入 85 萬美元，各自完成 30 步迭代，累計生成 75 萬條訓練軌跡。訓練配置上，模型原生支持百萬上下文窗口，每一輪採樣 1568 條樣本，單輪訓練消耗 35 億至 37 億 token。為避免 MoE 架構下專家負載失衡，團隊鎖定路由模塊；同時針對獎勵黑客風險搭建多層校驗機制，依靠獎勵方案設計、對抗測試、異常監控、多驗證器交叉核對，減少模型投機刷分。

羅福莉在直播帖中寫道：“強化學習是模型自我提升路徑中可擴展性較強的方向之一…… 這條路上能走多遠，我們想公開試一次。”小米把訓練成本、軌跡數據、迭代過程全部公開。它想向行業驗證：不必改造底層軟硬件，依靠飽和算力投入強化學習，開源模型也可以實現可觀的自我迭代。盤點完這波國產轟轟烈