智谱｜唐杰披露RSI早期案例：Infra Agent优化推理系统吞吐约3.2倍

「AI会自己把自己做强」这件事，过去更多停在安全辩论的幻灯片里。真正让人坐直的，往往是另一类证据：模型开始改写承载自己的生产系统，而且改动能落到吞吐曲线上。9月17日，智谱创始人、清华大学计算机系教授唐杰公开分享的内部案例，正是把递归自我改进（Recursive Self-Improvement，RSI）从口号推进到可审计工程轨迹。

智谱是国内主要大模型公司之一，GLM系列是其旗舰模型家族。唐杰长期同时身处学界与创业一线；此轮分享被定位为「早期形态」记录，而不是宣布已实现无人值守的自我迭代。公司明确强调：目标怎么定、边界怎么划、风险怎么判断，目前仍由人类工程师负责——他们还没有实现真正意义上的RSI。

核心事实（公开技术分享口径）：

1. 主体：GLM-5.3驱动的Infra Agent
2. 场景：超过10万张国产芯片组成的集群
3. 任务：从零参与搭建并优化一套生产级推理服务
4. 结果：公开称不到两周，端到端吞吐提升至初始基线约3.2倍
5. 承载关系：被优化后的系统继续承载新的GLM线上推理流量
6. 边界声明：尚未实现完全自主设计并训练继任者的RSI

工程细节示例（同口径）：

1. 闭环：读取系统反馈 → 提出假设 → 修改代码 → 跑实验 → 再迭代
2. 并发：定位KV Transfer场景中Python GIL导致的阻塞，把Prefill+KV Transfer相对单独Prefill超过约20%的性能损失压到约1%以内
3. 算子：在KDA Decode上通过重组计算获得约1.71倍性能提升
4. 上下文：此前GLM-5.3-Flash亦依托同类国产大集群完成生产化上线，并在OpenCode与OpenRouter等平台以匿名模型接受真实调用检验

所谓RSI，白话是系统具备「改进自己」的闭环，终点叙事常被写成AI自主设计并训练下一代自己。所谓Infra Agent，白话是专攻推理基础设施的智能体：盯延迟、改Kernel、啃跨语言并发，而不只是写业务CRUD。所谓稠密反馈，白话是每一次改动能立刻从系统指标里拿到可比较的打分，而不是等人类写完复盘周报。

放在近窗「放缓前沿」与RSI风险争论升温的上下文里，这条案例的价值不在于宣称终点已到，而在于给出一种工程化中间态：模型优化系统，系统再承载模型。竞品若只有安全原则声明、给不出生产吞吐与算子级轨迹，对照会更虚；若只有实验室脚本、缺十万卡级国产集群约束，说服力也会分层。

产业影响上，若第三方能复现反馈闭环与关键算子增益，会抬高「智能体进Infra主链路」的采购权重；若长期只有一方博客、缺少可审计日志与权限沙盒说明，市场仍会把RSI当叙事。需要把边界读清楚：3.2倍属特定基线与集群；「参与构建」不等于无人值守；安全与越权防护仍是规模化前提。下一观察点是技术细节开源复现进度，以及类似闭环是否延伸到训练侧自改架构。