Tongyan Lingzhi переносит персонализацию ИИ из промптов в сам слой модели

Китайский стартап 通衍灵智 (Tongyan Lingzhi) говорит, что персонализировать ИИ нужно не промптами и не внешней базой знаний, а на уровне самой модели. Лозунг компании: от «одной модели на десять тысяч человек» к «тысяче лиц для тысячи людей». Цифр, размеров моделей и названий продуктов в доступном фрагменте публикации Jiqizhixin нет. Поэтому разбираем саму постановку задачи и то, что нужно проверять, когда такие заявления дойдут до реальных пилотов.

Умная модель без собственной памяти

Исходная диагностика в материале знакомая. Рассуждающие способности LLM растут, контекстные окна удлиняются, агенты заходят в разработку кода, анализ данных и производственные процессы компаний. Но когда ИИ превращается из инструмента в исполнителя, возникает вопрос: как один всё более умный универсальный движок вырабатывает долгосрочные способности, принадлежащие конкретному человеку, проекту или организации?

Авторы приводят пример корпоративного агента. Он может найти любой регламент и любой кусок бизнес-знаний. Продолжение в доступном тексте обрывается, но логика читается: доступ к информации не равен её усвоению. Агент знает, что написано в документах, но не знает, как в этой команде принято решать спорные случаи, почему отказались от прошлой архитектуры и чьи правки обычно проходят ревью. Это мой вывод из постановки, а не цитата.

Что значит «персонализация в слое модели»

Сегодня индивидуальную настройку обычно собирают из нескольких слоёв:

• системные инструкции и промпты;
• поиск по документам (RAG);
• память агента и длинный контекст;
• дообучение, например LoRA-адаптеры.

Формулировка «модельный слой» в заголовке указывает на последнее: опыт пользователя должен попадать в параметры или в адаптивные компоненты, а не лежать снаружи в виде текстовых заметок. Как именно это устроено у 通衍灵智, из фрагмента понять нельзя. Возможны адаптеры, непрерывное обучение или что-то своё.

У такого подхода известные инженерные трудности:

• забывание ранее выученного при дообучении на новых данных;
• стоимость хранения и обслуживания тысяч индивидуальных версий;
• приватность: данные человека оказываются внутри весов;
• оценка качества, когда эталона «правильного ответа» для конкретной команды нет.

Если компания решает хотя бы часть из этого, тезис интересен. Если нет, получится ещё один красивый слоган про «персонального ИИ».

Что известно из публикации

• Компания: 通衍灵智, Китай.
• Тезис: персонализация должна происходить в модели, а не только вокруг неё.
• Масштаб персонализации: человек, проект, организация.
• Контекст: агенты в кодинге, аналитике и корпоративных процессах.
• В доступном фрагменте не раскрыты: архитектура, бенчмарки, цены, клиенты, сроки.

Как оценивать такие заявления

Тем, кто выбирает платформу для корпоративных агентов, стоит просить у любого вендора с похожим обещанием конкретику. Что именно обновляется: веса, адаптер или слой памяти? Можно ли откатить индивидуальную версию? Что происходит с данными при уходе сотрудника или расторжении контракта? Как измеряется выигрыш против связки «базовая модель плюс RAG»?

Последний вопрос ключевой. Поисковые схемы уже закрывают большую часть задач, где нужен доступ к корпоративным знаниям. Персонализация в модели оправдана там, где важны стиль, привычные решения и накопленный контекст работы, которые плохо укладываются в документы. Пока 通衍灵智 не покажет сравнительные тесты, это гипотеза, пусть и правильно поставленная. За сутками публикаций компании и независимых проверок имеет смысл следить именно из-за этого различия.