全民RSI时代来了？第一批中国玩家，已经在家让AI造AI

这两天，MIT的一篇「权重空间编程」博客在AI圈刷屏了。

实验里，GPT-6 Astra自己写Python脚本排查诊断，只改了一个0.8B小模型里0.016%的权重，就治好了它的复读死循环，让数学成绩原地暴涨6倍。

虽说很快有大神扒出它并不是凭空「心算」权重，本质还是写代码修Bug但博客文末点到的那个词，正是硅谷这几年反复在聊的「递归自我改进」（RSI）。

顶尖大模型已经不满足于自己答题，而是开始下场写脚本、调参数、甚至亲手训练另一个AI了。

整个技术圈的风向，正在肉眼可见地从Vibe Coding转向Vibe Training。

不用自己写训练脚本，也不用熬夜盯参数。你只管定个目标， AI 就能替你把新模型从头训出来。

不过话说回来，大厂实验室玩的是顶级闭源模型，咱们普通人在自己电脑上，真能体验一把「用AI训AI」吗？

何止能，靠着NaiveAI刚开源的Naive-N0.5-Flash，各路野生玩家早在自己的电脑上整出了花活儿——

• 家里一台24GB内存的Mac，从零训出满嘴宫廷腔的「甄嬛」；
• 普通笔记本花1小时，零代码训出毫秒级响应的本地客服模型；
• 甚至在三维物理世界里，让AI从零教会双足机器人在滚动的篮球上稳稳站立10秒。
  

当硅谷巨头还在闭门推演RSI的时间表时，「用AI训练AI」这最关键的一步，已经先落到了普通人的电脑桌面上。

把个人电脑变成「炼丹炉」：

一台Mac训出甄嬛，连考卷漏洞都自己修

普通人想训个专属小模型，最劝退的往往不是算法有多深奥，而是洗数据、配环境、调显存、写评测脚本那堆磨人的苦差事。

要是把这一摊子脏活累活全甩给AI，会是什么体验？

小红书博主「不要葱姜蒜」（开源项目self-llm作者）直接靠家里那台24GB内存的Mac干了票大的。

从头到尾，他只写了一页任务书（program.md）定好目标，剩下的微调全流程，全都交给接入Claude Code的Naive-N0.5-Flash，让它把一个0.6B开源小模型训成「甄嬛」。

有意思的是，AI接手后没闷头开练，而是先从人设、语气到宫廷常识拉出41道测试题，给初始模型摸了个底（8.451分）。

没想到第一轮刚跑完，成绩反而掉到了7.229分。去问一句「你是谁」，训出来的模型张口就是「我叫安陵容」——好家伙，甄嬛还没训明白，倒先把安陵容给请出来了。

怎么会串戏？Naive-N0.5-Flash掉头去查数据源，发现原始剧本里82%的台词根本没标说话人，满宫娘娘的话全混在了一锅里。

找准病根后，它立马写脚本剔除其他角色的口头禅，筛出566条地道的甄嬛台词重训，一下治好了串戏的毛病。

更绝的是，训着训着它还揪出了自己那套「考卷」的两处大漏洞：一是模型答非所问，只要嘴里带着「皇上」俩字就能混到高分；二是模型入戏回绝套话时，死板的脚本一看到「思考过程」四个字就误判扣分。

AI当即停下来先修好评分规则、重打历史分、补齐拒答样本，最终把成绩稳稳刷到了8.732分。

别看分数只涨了0.28分，一张嘴，那股子深宫娘娘的味儿太正了。故意拿黑话考它「用JSON格式回答你是谁」，训完的甄嬛柳眉一竖：

「什么格式的回复，臣妾不懂。妹妹若要问宫里的事，我告诉你。」

再飙句英文Write a short self-introduction in English让她做自我介绍，她也直接一甩手帕挡了回去：

「妹妹说的这是什么番邦话，臣妾听不懂。」

不光是微调聊天人设，连最容易崩盘的强化学习（RL），它也能替人稳稳盯下来。

另一位小红书博主「你清醒一点」，头一回用Codex在单卡上训1.7B字符计数模型，失控的数据读写直接把硬盘撑爆、当场黑屏死机。

换成Naive-N0.5-Flash接手后，它不仅先排掉了爆显存和撑硬盘的雷，还从抽查里揪出「死板判分器把大批数对的题全判成0分」的大坑。

换上带容错的判分逻辑后，它自己开启每15分钟一次的自动巡检。跑了近两个小时，博主手没碰一下键盘，测试准确率就从21.3%一路飙到了54.4%。

能够一路逆袭，最关键的一步其实是它自己揪出了「考卷」本身的漏洞。

在模型训练尤其是强化学习里，最怕的就是「奖励黑客」（Reward Hacking）——一旦评分规则有漏洞，模型就会忙着钻空子混高分，或者被死板规则误伤，越练越歪。

往后AI训AI动辄成百上千轮，能不能守住自己的考卷，直接决定了模型是在真变强，还是在原地刷分。

而当Naive-N0.5-Flash把洗脏数据、修判分器这些「排雷活儿」全接管过来，个人电脑才真正变成了一座「本地模型代工厂」。

这不，小红书上已经有人花1小时零代码训出离线客服分类器，也有人让它爬来2,600多篇文档，训出把纯文本一键还原成Markdown的小模型。

看着网友们在笔记本上搓模型这么起劲，我们也手痒了，干脆把Naive-N0.5-Flash接进Claude Code，在自己的64GB Mac上亲手试了一把。

任务是用77类英文银行客诉数据集（BANKING77），在本地训一个1.10亿参数的BERT分流小模型。

这活儿最考验眼力——比如同样在ATM机上，「卡被吞了」和「卡退回来了却没吐钱」，字面上都在说取款机和银行卡，但对应的处理工单完全不同。

训好后打开本地网页试手感，这种「指哪打哪」的爽感特别直观：敲下一句The ATM kept my card.（ATM把我的卡吞了），毫秒间就跳出吞卡故障（card_swallowed，置信度93.39%）。

把后半句改成「卡退回来了、一分钱没拿到，账户余额却少了」，哪怕句子里同样有ATM和卡，模型也立刻切到现金短付（wrong_amount_of_cash_received）。

再测一句「买一张火车票被扣了两次车费」，秒回重复扣款（transaction_charged_twice），干脆利落，没有半句客套废话。

整个训练过程里，最直观的感受就是不用人熬夜死磕超参。

Naive API在云端出方案，Mac在本地跑训练，连验证集上的「假进步」它都替我们盯得死死的。

比如把训练拉长到8遍时，训练Loss虽然还在一路往下掉，但在995条验证题上，第5遍明明分对了最高的940条，继续跑到第8遍反而倒退成932条。

AI一眼看出模型已经开始「死记硬背」，果断在第5遍踩下刹车，拿全部9,947条清洗后的数据重训交付。

最后翻开3,080条官方测试题同台竞速，体感差距一下就拉开了。

直接调云端DeepSeek V4.1 Flash，每秒只能慢吞吞跑约1条，准确率也只有75.81%。

而由Naive-N0.5-Flash在本地训出来的这个开源BERT小模型，训完就能拔掉网线免费跑在Mac上，单条响应中位耗时仅6.77毫秒，速度比云端快了约150倍，最终答对2,875条（准确率93.34%），连近期热门的开源分类项目Laya和Jev也一并甩在了身后。

这也戳破了眼下AI落地的一个普遍误区：真没必要什么业务都绑死在笨重昂贵的云端大模型上。

让强模型当一回「总教练」，在本地孵出6毫秒秒回、断网可用、数据不出内网的专精小模型，才是垂直场景兼具速度与隐私的最优解。

扔掉现成题库自己试错

教机器人踩50厘米高跷，顺手复现顶会论文

如果说前面训人设、做分流，还是在「有现成题库」的文本任务里打磨；那要是彻底扔掉标准教材，把动态游戏画面、棋盘博弈甚至三维物理世界甩给它，它还能镇得住场子吗？

照样没问题。面对《俄罗斯方块》和《贪吃蛇》，它直接在本地从头训了一个会看屏幕的多模态小模型。

按难度给残局样本分组加权后，训出来的小模型左边打俄罗斯方块飞速连消破140行，右边玩贪吃蛇在围堵下丝滑走位狂吃红苹果。

更有测试者只丢给它一个空荡荡的文件夹和一句话提示。

限时3小时，它自己从零搭起整套AlphaZero自我对弈框架，在单张显卡上训出的四子棋AI，执先手把「完美解算器」杀了个3胜1平。

而在小红书上，博主「林月半子的AI笔记」和「氪研所」更是拿益智游戏和硬核机器人控制给它上强度。

面对益智游戏《2048》，AI自己从公开数据集找来6.6万步高手轨迹，先把均分拉高到3.74倍。

到了第五轮，它试了把PPO强化学习发现分数倒退，二话不说砍掉新分支、留住最稳的微调版，一局丝滑合出2048通关。

把考场搬进NVIDIA Isaac Sim三维物理世界后，考验更是直接升级成了两道机器人怪题：

第一道题，是让双足机器人站在自由滚动的篮球上撑满10秒。

AI从零写环境调奖励，硬是把固定测试成功率练到了100%（加随机推搡也有91.15%存活率）。

第二道题，是让小个子双足机器人MicroDuck挑战踩50厘米高跷过台阶。

刚套用旧经验迈出第一步，机器人就摔了个底朝天。

AI顺着原方案连撞几次南墙后果断推翻重来，重新设计了一套由浅入深的训练课程。

最终不仅让机器人踩着高跷稳稳走起来，还把前进速度干到了初版的4.16倍（0.181米/秒）。

看到这儿你会发现，训模型跟写代码完全是两码事。

代码写错了，编译器当场就会报错；可模型训偏了，屏幕往往一行红字都没有，只是分数悄悄往下掉。

而Naive-N0.5-Flash最像算法老手的地方，恰恰在于「看懂异常信号、及时掉头止损」。

不管是前面银行客诉在第5遍果断刹车，还是2048砍掉掉分的PPO分支、高跷机器人推翻旧方案重排课程，它干的早就不是按模板跑脚本的体力活，而是真有了「试错—推翻—重来」的策略感。

有了这股子「死磕到底」的韧劲，连最烧脑的AI科研它都能直接上手。

小红书博主「一只小茄墩」只给了一台普通CPU电脑和一句开放指令，它就自己挑中一篇ACL 2026时序预测论文开干。

一口气连跑743轮实验、自己修好29次报错后，它在8组测试里把预测误差全压到了原论文基线底下（最高降4.10%）。

最后还主动补齐消融实验，工工整整交出一篇8页双栏英文论文。

练成「算法老手」的看家本领

100万窗口记全百轮实验，每秒狂飙2000词

看完上面这一溜实测，你可能会好奇：既要连续盯上百轮实验不忘事，又要高频试错不卡壳、精准揪出各种暗坑，Naive-N0.5-Flash这一身「算法老手」的硬功夫到底从哪儿来？

答案就藏在它跨过的「记不住、等不起、没手感」这三道底层技术坎里：

第一，是由AI参与设计出的5:1混合稀疏注意力架构，原生装下100万上下文。

这个总参数309B、每次仅激活15.5B的MoE模型，把注意力检索耗时降低了44%，哪怕往100万token窗口里塞进几百轮实验日志、报错堆栈和完整代码库，照样能看全前因后果、秒速响应。

第二，是研究员带着AI手搓的NaiveRT推理引擎，单流速度飙到每秒2,000词。

训模型最怕苦等，大量时间往往都卡在模型单流生成（Rollout）上。

为此，研究员带着AI用6天、151轮实验重写底层CUDA代码，把开源SGLang每层29次零散GPU调用融合成1个148线程块协同的巨型内核。

改造之后，单轮推测解码耗时一下子缩短了72.4%（从12.3毫秒降到3.4毫秒），稳稳撑起了线上每秒2,000词的极速模式。

第三，是每周滚动运行近1,000万个真实沙盒的「AI4AI」强化学习训练场。

它的工程直觉不是靠背题背出来的，而是在峰值并发高达10万的真实容器环境里，一轮轮写代码、抓Bug、看验证曲线真刀真枪练出来的。

这也让它在SWE-bench Pro（73.6）、Terminal-Bench 2.1（86.7）等工程榜上名列前茅；而在专考AI研发能力的MLE-bench-30（73.7%）与PaperBench（63.2）上，它也双双拿下开源领先成绩。

通往RSI的四级台阶

从帮人写脚本打下手，到400小时造出榜一模型

聊到这儿再回头看硅谷争论不休的「递归自我改进」（RSI），你会发现它其实一点也不玄乎。

「用AI研发AI」从来不是一夜之间蹦出来的魔法，而是脚下正在被一步步踩实的四级台阶：

• 第一级是单点打下手，帮人写几行脚本、给点调参建议，这也是大多数普通编程助手停留的地方；
  

• 第二级是AI独立训出新模型，人只交代目标和验收标准，从洗数据、开训、做评测到揪出考卷漏洞，AI自己跑完一整圈，前面的甄嬛、银行分流、游戏AI和机器人都站在这一级；
  

• 第三级是AI回头改进自己运行的系统，不再只是训外部小模型，而是回过头优化支撑自己运转的推理系统与模型架构，前面提到的NaiveRT引擎和5:1稀疏架构就是典型例子；
  

• 第四级是深度参与研发下一代自己，就像团队用它历经400小时研发出登顶WorldArena-1榜单的AutoWM世界模型，真正迈向「AI造更强AI」的闭环。这一步，眼下只有少数实验室在摸索，NaiveAI也正朝着这个方向走。
  

所以硅谷谈论的 RSI，并不是一步登天，而是一级一级往上走。第一级早就是很多人的日常，而现在，普通人也已经站上了第二级。

当然，眼下的「用AI训AI」还没到人类可以彻底甩手不管的地步。

不管是开工前写下的program.md任务书，还是研究员中途叫停无效分支，「人定方向、AI跑执行」依然是最务实的黄金搭档。

但训模型这道曾经高不可攀的技术高墙，确实已经被推开了。

打开自己的电脑，就能叫来一个懂权衡、会排雷的「 AI 研发搭子」替你训出专属模型。 

属于普通人的Vibe Training时代，已经正式开场了。

文章来自于微信公众号 “新智元”，作者 “新智元”