主题：RSI 一天之内交了三次卷，而"自己优化自己"第一次有了生产环境的账单
今天是一个很难得的日子：RSI（递归自我改进）这个长期停留在论文与愿景里的词，在 24 小时内被三家公司用可验证的工程结果同时接管——智谱让 GLM-5.3 驱动的 Infra Agent 在 10 万张国产芯片上从零搭出一套生产级推理系统，云知声让模型参与自己的后训练闭环并交出反打旗舰的 Flash 模型，小米干脆把 RL 训练过程做成实时直播页面，连失败回滚都摆在明面上。与此同时，另外两条线也在收紧：英伟达正式把 GPU kernel 纳入 Rust 版图，华为在 PyTorch 官网拿到了第一个中国算力平台的入口。Agent 与开源 LLM 的竞争，正在从"谁的模型更强"转向"谁能把自己造出来、并且让全世界看见怎么造的"。
🔥 1. 智谱交卷 RSI 首个成果：GLM-5.3 驱动的 Infra Agent，在 10 万卡国产芯片集群上从零搭出生产级推理系统 — 986 pts
当模型开始优化"运行模型的那套系统"，套娃闭环第一次跑进了生产环境。
清华大学计算机系教授、智谱创始人唐杰今天分享了一个内部观察到的 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。不到两周，端到端吞吐提升至初始基线的 3.2 倍。
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。两个具体战绩最能说明问题：它定位出 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 1% 以内；在 KDA Decode 算子上通过重新组织计算拿到 1.71× 提升。
唐杰概括为：模型优化系统，系统承载模型。 技术栈同样硬核：节点内张量并行、ReplaySSM、W8A8 量化、INT8/FP8/BF16 混合精度缓存量化、Layer Split，以及 Encode–Prefill–Decode（EPD）分离式架构，硬件利用效率与单 Token 成本均达主流 NVIDIA GPU 相当水平。GLM-5.3-Flash 以匿名模型 "Ox-Alpha" 在 OpenCode 与 OpenRouter 接受真实调用检验，上线一周成为双平台调用量最大模型，6 天 token 超 62 万亿。
但必须记下智谱的克制：明确强调还没有实现 RSI，目标设定、边界划定、风险判断仍由人类工程师负责。另一条时间线也值得注意——2025 年 10 月启动安全能力增强研究，不到一年，安全伙伴用 GLM 在真实代码库中发现数千个漏洞，"带来了过去不曾存在的危险"，为此不得不设计受信访问计划。
→ https://www.qbitai.com/2026/09/491357.html
🔥 2. 英伟达正式发布 CUDA Rust：GPU kernel 第一次也归 Rust 管 — 962 pts
系统层早就 Rust 化了，只剩 kernel 这块硬骨头——现在补上了。
NVIDIA 在 9 月正式宣布认真押注 Rust 原生 GPU 编程。CUDA C++ 和 CUDA Python 已是成熟商用工具链，而 CUDA Rust 被明确规划到 2027 年及以后持续打磨——是长期养生态，不是试水。官方博客《Introducing CUDA Rust: Two Tracks for Writing GPU Kernels》由 Sri Koundinyan、Melih Elibol、Jonathan Bentz 撰写。
驱动这个决定的是向下看的视角。AI 的系统层——推理引擎、serving 基础设施、驱动、agent 运行时——越来越多用 Rust 写，因为它能在编译期拦掉整类 bug 又不牺牲性能。NVIDIA 自己就是潮流的一部分：Nova Linux 驱动用 Rust 写，Dynamo 的核是 Rust，NVTX 有 Rust 绑定。唯独一个例外——GPU kernel。这次就是要堵上这个口子：让 kernel 也能直接用 Rust 写、原生编译成 PTX。
两条平行路径：SIMT 路线 cuda-oxide——自定义 rustc codegen 后端，#[kernel] 函数经 Rust MIR、社区 Pliron IR、LLVM IR 一路下到 PTX，cargo oxide run 能把完整 vector add 跑通打印 PASSED: all 1024 elements correct；Tile 路线 cutile-rs——按 tile 而非标量计算，编译器决定背后用多少真实 GPU 线程，门槛更轻（稳定 Rust 1.89+、CUDA 13.3、Linux，已在 crates.io 发布）。
最值得看的是编译器能抓到什么：几千个线程无固定顺序碰到同一 buffer，一旦两个线程同时写同一地址，这类 bug 往往过了测试才在生产炸开。两条路都在编译期不给通过——SIMT 侧是 E0502（可变借用与不可变借用冲突），Tile 侧是 E0382（move 了已使用的值）。
→ https://developer.nvidia.com/blog/introducing-cuda-rust-two-tracks-for-writing-gpu-kernels/
🔥 3. 小米把 MiMo 2.6 的后训练过程实时直播出来：36 小时烧掉 108 万美元，失败回滚全公开 — 938 pts
以前厂商给世界看训完那一下的数字，小米把中间过程也摊开了。
小米 MiMo 大模型团队在官网挂出后训练实时数据面板：打开 mimo.xiaomi.com/rl/，能看到 pro 和 flash 当前跑到第几步、每步接受多少样本、花了多少钱、燃烧多少 token，全部实时滚动。
钱是最直接的叙事。 从 pro 开始训练算起 36 小时，两款模型已花超过 108 万美元，平均每小时 3 万美元——按面板读数 pro 约 83 万、flash 约 36 万，两边都以 1,568×16 批次规模在跑。更罕见的是连翻车都不藏：flash 昨天因数据集基础设施错误未被及时检测，从第 15 步重启；pro 也因某节点 VRAM 问题重启过一次。
性能实时更新，DeepSWE v1.1（mini-swe-agent，avg@3）：pro 63.72、flash 60.77，并画了随 step 变化的曲线。罗福莉在 X 上解释半年沉默："近半年沉默，我们只用来研究一个问题——RL 到底能扩展到多远。"三块扩张很明确：算力（每步约 20 亿 token，全异步 Fully Async）、环境和 harness（多任务 agentic RL，一次训练混合代码/通用/视觉/Chat 并同时跑多个 harness）、grader 算力（agentic 组内 credit 分配，测试用例 + rubric 两种奖励）。把 open 玩到了另一种维度：不只是开源权重，连"怎么把它训出来"都变成公开可观看的节目。
→ https://mimo.xiaomi.com/rl/ → https://www.qbitai.com/2026/09/490950.html → https://www.oschina.net/news/502540/xiaomi-mimo-rl-live-dashboard
🔥 4. 华为全联接大会 2026：全球首个 NPO 超节点昇腾 960 发布，昇腾成为 PyTorch 官网可直接安装的首个中国算力平台 — 915 pts
硬件上赌 NPO 光互联，生态上赌开源与 PyTorch 兼容。
华为全联接大会 2026 今日在上海启幕，轮值董事长汪涛发表"打造智能世界的硅基黑土地"主题演讲。硬件侧，发布全球首个采用 NPO 技术的超节点——昇腾 960：单超节点 4096 卡，8EFLOPS FP8 / 16EFLOPS FP4、1PB HBM。用 5500 个自研 Hi-ONE 替代原本需要的 4 万 8 千颗 800G 光模块，功耗降低超 550 千瓦，系统可用度 99.8%；Hi-ONE 单引擎 7.2T，业界首个量产 NPO、唯一内置光源。关键数字：4K 超节点组成的 10 万卡集群，相比 8 卡服务器同规模集群，MFU 提升 2.75 倍。
配套成体系：鲲鹏超节点最大 4096 节点、256TB 统一内存池，十万级 Agent 沙箱启动快 30 倍；OceanStor M900 多层 KV Cache 方案使 SSD 读写寿命提升 16 倍。最大集群规模 51.2 万卡，结合多轨道拓扑最大支持 100 万卡。
生态侧最值得看：鲲鹏开发者超 416 万、伙伴超 7200 家，openEuler 装机量超 2000 万套；昇腾 CANN 常态化开源，外部开发者占比首次超过内部达 61%，已覆盖 PyTorch、Triton、vLLM、veRL 等 90 多个社区。最实在的一条：在 Linux 基金会支持下，昇腾正式成为可在 PyTorch 官网直接安装的算力平台，是首个来自中国的算力平台。
同场《智能世界2035》首次提出十大关键命题：列出面向智能体的 Agent OS（能力为"（协同力×执行力×记忆力×连接力）^演进力"）；预测 2035 年全球年度 Token 消耗增长 10 万倍，智能体流量占比超 90%，未来五年 AI 累计创造超 27 万亿美元。汪涛收尾克制："愿景不会因描绘而自动实现，行动才是丈量未来的尺度。"
→ https://www.oschina.net/news/502544/hc-ascend960-supernode → https://www.oschina.net/news/502545 → https://www.oschina.net/news/502546/huawei-hc-intelligent-world-2035
🔥 5. 国产 RSI 交卷：云知声 U2-Flash 用 266B 总参 / 10B 激活的稀疏 MoE，把上一代旗舰甩在身后 — 891 pts
Flash 默认是"旗舰平替"，这次它把旗舰超了。
"港股 AGI 第一股"云知声发布 U2-Flash，率先交出国产 RSI 早期答卷——后训练闭环里模型已深度参与自身演进：生成训练数据、分析执行轨迹、巡检和修复训练系统。
按惯例 Flash 是"旗舰平替"，更快更便宜但能力打折。U2-Flash 速度与成本优势没含糊（相比 U2 生成速度快 2.1 倍、Agent 任务完成时间缩短 35%、迭代步数与 Token 消耗降 20%–30%），但能力不仅没打折反而反超：DeepSWE v1.1 从 32 冲到 64.6（翻倍）、TerminalBench 3.0 从 2.7 飙到 24.3（9 倍）、SWE-Bench Pro 61.6（+10.5）。
更值得关注的是智能密度：稀疏 MoE 总参数约 266B，单次推理只激活约 10B（不到 4%），部分表现闯进万亿参数级模型所在区间——把 Flash 的"不可能三角"直接掀了。落地细节：API 同时兼容 OpenAI 与 Anthropic 两套协议，Claude Code、Trae、Cursor、Cline 官方给了接入方式；提供 none/low/high/max 四档思考强度，512K 上下文；当前限时六折（输入 0.6 元、输出 1.2 元、缓存命中 0.12 元每百万 Tokens），并宣布 9/15–9/30 人人可免费领取 1 亿 Tokens。
一项测试很有意思：在虚构的 ExpenseFlow 报销项目中故意埋了三个坑（已驳回报销混入总额、北京时间凌晨记录存成 UTC 后串月、CSV 导出日期串月），不透露线索只下了一句"请独立完成发布前验收"——它用 7 分 6 秒准确揪出全部问题。当 Flash 档位开始具备"自己找 Bug"的能力，Agent 的算力账本会被重算一遍。
→ https://www.qbitai.com/2026/09/491091.html
🔥 6. Anthropic 合并 Chat 与 Cowork，原生 Claude Docs 与 Claude Slides 上线 — 868 pts
硅谷在做中国半年到一年前做过的事，只是路径是"从 AI 出发重建办公软件"。
Anthropic 宣布把 Cowork 与 Chat 合并为一个入口，并新发 Claude Docs 和 Claude Slides。统一入口分批上线（Pro/Max 率先，Team/Free 随后）；Docs、Slides 及对话界面的 Claude Design 暂处 Beta，仅付费订阅开放，Enterprise 版需管理员开启。
理解这个合并要先看 Cowork：它今年 1 月从 Claude Code 孵化，定位"Claude Code for the rest of your work"——四个工程师 10 天做出来，大部分代码还是 Claude Code 自己写的。但很多用户不知道任务该放哪个界面，且上下文跨产品接不上，于是合并为一个入口，聊天/Cowork/Artifacts 同窗出现，用户只描述目标，Claude 自行判断直接回答还是调复杂能力。示例很具体：让 Claude 拉上周数据、找进度落后项目、按团队格式写报告、再压成 5 页汇报 PPT；即使用户合上电脑，也能稍后用手机查看进度，报告与 PPT 来自同一次对话，无需再复制给另一个 AI 重新理解。
Claude Docs 支持共同编辑、选中提问与评论；Claude Slides 负责生成编辑演示，可直接播放或导出 PowerPoint/PDF；作品均可生成分享链接在手机上编辑。
竞争格局已分野：OpenAI 走"超级应用"（7 月把 Codex 并入 ChatGPT 桌面端，推出 ChatGPT Work，Atlas 浏览器已停止作为独立产品）；谷歌最省事（Gemini 深度嵌入 Gmail/Docs/Workspace）；Anthropic 是从 AI 出发重建办公软件，把 Claude 做成唯一入口。量子位的评价颇为辛辣：这套 AI 原生办公套件，国内可能比硅谷早了半年到一年。
→ https://www.qbitai.com/2026/09/491391.html
🔥 7. Claude Code 团队自述：70%–80% 日常工作交给 Claude Tag，"信任比监督更重要" — 846 pts
一份关于"人机协作颗粒度上移"的罕见一手材料。
Claude Code 团队发布访谈《How the Claude Code team uses Claude Code》。第一，交接比例：当前已将 70%–80% 日常工作交给 Slack 原生 AI agent——Claude Tag。而一年前工程师还在逐行阅读 AI 的工作记录（每次工具调用、每个参数选择、每步推理决策）。现在核心理念是不再逐条审视 tool call，而是下达一个 goal 让模型自行达成。他们把 UI 与模型思考记录彻底解耦——AI 的内部独白被隐藏，人类只看到 Claude 调用发消息工具的结果。团队承认这是一种"有点吓人的强制性放手"。
第二，一个内部工具开发案例：先问 Claude Tag"我有这个点子，该找谁聊？"→ 交付 stakeholder 名单；聊完直接让它做原型与实现；再加埋点部署到内部使用，观察反馈；此后它持续监控使用数据，收到反馈就主动提醒负责人，并让它"去改进这个转化漏斗，你自己想想办法"。
第三，"不恋战"的工程哲学：前提是底层模型能力每两个月发生一次根本性跃迁——"技术的地基每两个月就会在你脚下发生根本性变化"。因此准则为"你必须对自己造的东西保持非常不执着的态度"：很多写进 harness 的功能本质是弥补当时模型短板，模型变强就要立刻拿掉。两个案例：to-do list 在 Sonnet 3.5 阶段是救命功能，一年后模型具备更强记忆能力，脚手架被拆除；AskUserQuestion 最初为让 Claude 中途提问而设计，后来转向让 Claude 直接生成带图表和 mockup 的可视化 artifact 来提问。
应对方法是不再构建固定方案，而是搭可自由组合的"原语"（primitive）：Permissions、Visualizations、Verification、Code Review、Feedback……原语过时替换代价更小，层层叠加往往涌现新能力。结论干净利落："软件工程是「变化的职业」。你解决的问题在变，但核心始终是 problem solving。"
→ https://www.qbitai.com/2026/09/491596.html
🔥 8. 央企第一次进前三：中国电信 TeleAgent 在 IDC 首份企业级通用 Agent 评测中拿下第三 — 823 pts
底层模型已经很难解释全部差距；胜负越来越取决于模型外围那整套工程系统。
IDC 发布国内首份《中国企业级通用 Agent 产品技术评估》，中国电信的 TeleAgent 排进国内前三。IDC 没用大模型 Benchmark，而是拿近百道非公开任务考察 Agent 在真实办公环境能否把事做完——测试重点放在端到端把事情办完上，任务既含邮件、日程、文档处理，也含长上下文、多步骤循环、复杂 PPT、表格处理与浏览器操作。有些题目很接近真实工作：处理 3755 行脏数据，或从约 3 万字材料提炼内容生成 11 页 PPT。跑完还会核验系统状态和最终文件。
成绩：TeleAgent 常规任务 3.49 分、复杂任务 3.36 分；九项能力中任务表现拿到 5 分满分，成本效率为此次测评最高分。今年 4 月桌面端还在内部试用，7 月 V1.0 对外推出，一个多月用户规模已接近 120 万。
IDC 专门提到 Agent Harness——围绕大模型搭起的整套执行系统：安排上下文、调度工具、保存任务状态、控制执行环境；异常时判断重试/换路径/恢复进度；结果生成后检查是否完成。这些能力在短任务里不一定明显，可任务一旦拉长，差距就会被迅速放大。
TeleAgent 的高分项可沿这条链路拆解：上下文先对低价值旧工具输出轻量剪枝，过长则由专门压缩模型处理整段内容，并实时监测窗口，目前上下文窗口已突破 400K；记忆加了 autoDream 长期记忆，定期整理近期对话并合并新信息，使项目背景与用户习惯跨会话保留。内核方面没有直接套用现成 Coding Agent 框架，核心含约 3 万行自研 Go 代码，还专门处理了 Windows PowerShell、麒麟、统信等系统兼容性——毕竟做 PPT、写报告、处理 Excel，和在代码仓库里找 Bug 是两套截然不同的工作方式。
→ https://www.qbitai.com/2026/09/491454.html
🔥 9. RISC-V 第一次"开箱即用"跑本地大模型：deepin 25 RVA23 适配进迭时空 K3，单 SoC 可跑 300 亿参数 — 802 pts
桌面操作系统的"开箱即用"四个字，这次落到了 RISC-V 上。
deepin 官方披露：在 deepin-ports SIG 协助下结合 Next (RVA23) 仓库，deepin 25 已适配进迭时空（SpacemiT）K3，并在其上顺利运行本地 AI 模型版本的小U同学（原 UOS AI）——RISC-V 平台上的桌面操作系统第一次真正具备"开箱即用"的本地大模型能力。
K3 是前提：全球首批完整符合 RISC-V RVA23 规范的 AI 计算平台之一，单颗 SoC 集成两类核心——8 颗 X100 通用核（4 发射乱序执行，SpecINT2006 大于 9.0/GHz，最高 2.4 GHz，8 核共享 8MB L2，整机约 130 KDMIPS）；8 颗 A100 AI 核（自研 IME 矩阵运算扩展指令集，8 核合计约 60 TOPS INT4 稀疏，可流畅运行最高 300 亿参数模型，30B 下推理速度 >10 tokens/s），与通用 CPU 共享同一编程模型，无需额外算子转换开销。另有 2 颗 RT24 实时核，形成"通用 + AI + 实时"三域协同，典型功耗仅 15–25W。
软件栈才是硬功夫：deepin-ports SIG 持续维护面向 K3 的 6.18 内核分支和 u-boot；系统侧依托 deepin-ports-image 打包机制追随主线；图形侧同步适配 GPU 驱动与固件并实机测试通过。用户可在 deepin-ports 镜像列表下载 K3 体验镜像。
Next 仓库则为新一代硬件提升基线：传统 deepin 25 主线基于 RVA20，组件版本已无法满足 RVA23 新硬件需求，故提出独立 Next 仓库（RFC 见 deepin-community/rfcs#18），同时启用 amd64/arm64/riscv64/loong64 四架构构建，并针对 riscv64 开启 RVA23 全局优化，工具链整体升级（GCC 15 默认 + 16，可直接通过标准 -march 开启相关指令集）。当"开源 LLM 跑到本地"从 x86/ARM 扩展到 RISC-V 并进入桌面发行版主线，端侧智能的硬件底座就不再只有一条路。
→ https://www.oschina.net/news/502538
🔥 10. vivo 给手机装上 Harness：蓝心大模型端云矩阵与"大模型+Harness"个人智能底座 — 781 pts
手机面对的已经不只是一道模型能力题，而是一道关于感知、记忆、调度、执行和协同的系统题。
在 2026 vivo 开发者大会（VDC）人工智能分会场，vivo 给出的路径是：以"大模型+Harness"构建个人化智能底座，重构 OS 体验。
问题意识很具体：AI 能力更强，并不意味着用户体验更好。一条航班延误通知弹出，AI 能总结内容、回答晚点多久；但往下处理立刻复杂——转机要不要改、酒店会不会受影响、明早的会还能不能赶上。更麻烦的是它未必记得你的习惯：愿不愿意坐凌晨航班、在不在意多花几百块。这解释了 AI 手机越来越明显的落差：模型能力一路上涨，Benchmark 卷得飞起，但手机端体验并没有自动升级。
一台手机想真正替用户把事情接过去，还得在授权与隐私保护前提下看懂此刻发生了什么、记得此前发生过什么，再调动合适的模型、上下文、App 和服务把事一环接一环做完。手机面对的不是模型能力题，而是关于感知、记忆、调度、执行和协同的系统题。
vivo 的解法是异构调度——借用芯片行业的答案：CPU 通用控制、GPU 并行计算、NPU 专做 AI、ISP 负责图像，系统按任务动态分配。不是让最强的单元干所有活，而是让最合适的单元干最合适的活。 落到模型上即「蓝心大模型端云矩阵」：BlueLM-Realtime（端到端语音，从识别到理解语义语气意图）、BlueLM-Nano（端侧，承担长期驻留的感知与记忆）、BlueLM-Flash（云侧，信息查询/日程/跨 App 高频场景）、BlueLM-Pro（复杂推理与长程规划），进入专业领域还能自动调动外部顶尖模型补位。于是模型开始"组团"——从需要用户主动选择的产品，退到后台成为被系统自动调度的基础能力。
vivo 也点出了第二道更难的题：人，本身就是一种"不断变化"的上下文——要懂当下也要懂过去。随之而来的是隐私与权限边界：想越用越懂你就得持续感知并积累日程、位置、操作习惯等个人上下文，但感知越广、记忆越长，隐私压力越大。个人 AI 真正难的地方，是同时解决两件看似矛盾的事——既拥有足够连续的个人上下文，又让这些感知和记忆始终运行在明确的授权边界内。 这与本期华为把 Agent OS 列入十大命题、IDC 强调 Agent Harness 构成同一条技术叙事。
→ https://www.qbitai.com/2026/09/491649.html
📌 今日趋势总览
本文原创作者：易君召，详见：https://www.yijunzhao.cn/authors/yijunzhao，转载请注明出处。
原文链接
欢迎访问 小易撩挨踢