9 月 17 日，智谱创始人兼首席科学家唐杰在社交平台发表长文并转发技术博客，公开了公司在递归自我改进方向上的首个工程化实践。由GLM-5.3 驱动的基础设施智能体 Infra Agent，在超过 10 万张国产芯片集群上从零参与搭建并优化了GLM-5.3-Flash 的生产级推理服务，不到两周把端到端吞吐提升到初始基线的 3 倍左右。
这项工作在此前需要一支资深基础设施团队花费数周完成。智谱把难点归为三处：国产芯片的内存容量与带宽相对受限，不能照搬成熟图形处理器生态的经验；软件栈尚不成熟，部分关键算子缺少现成实现，底层文档常常只能靠推测与验证；模型本身采用新架构，要同时处理文字、图像和 100 万 token 的超长上下文请求，缓存容量压力成倍放大。
解法是用软件能力补硬件短板。技术栈里融合了面向线性注意力与输出层的节点内张量并行、以重算换内存的策略、8 位权重与激活量化、INT8 与 FP8 和 BF16 的混合精度缓存量化，以及层分割等手段；在此之上引入编码、预填充、解码分离的架构，让推理的三个阶段各自调度。智谱称硬件利用效率与单 token 成本已经达到主流图形处理器的相当水平。
被反复强调的不是优化清单，而是反馈机制。系统给的端到端指标往往只有一句吞吐下降两成，说不出问题出在哪一层。智谱把正确性测试、运行日志、执行轨迹、运行时事件与微基准整合进迭代流程，形成被称为稠密反馈的分层验证体系，让智能体能够自己提出假设、修改代码、跑局部实验，再根据结果决定下一步验证什么。
技术博客给出了三个具体案例。长上下文场景中，智能体顺着执行链路发现某个内核默认采用较低的计算精度，导致误差在状态合并时累积，改为更高精度的组合算法后问题缓解；预填充与缓存传输无法重叠的场景里，它追查到跨语言边界处的线程锁没有释放；解码内核存在重复计算，它从优化模板库中匹配到相应方案后重构代码，取得约 1.7 倍的提升。
唐杰同时划出了边界：距离真正意义上的递归自我改进还很遥远，目标设定、边界划定与风险判断仍然由人类工程师负责，智谱也明确表示自己尚未实现完全自主的自我改进。他认为目前出现的是一个最小闭环，模型优化系统，系统再承载模型。行业层面，多家头部实验室也在公布类似进展，智能体参与自身研发工作的比例，正在成为观察这一方向的新指标。
申请创业报道，分享创业好点子。点击此处，共同探讨创业新机遇！
