深度研究｜智谱 GLM-6.0 全自训练路线全景：环境接力、停训判断、与三种递归载体的对比

深度研究｜智谱 GLM-6.0 全自训练路线全景：环境接力、停训判断、与三种递归载体的对比

深度研究｜智谱 GLM-6.0 全自训练路线全景：环境接力、停训判断、与三种递归载体的对比

研究日期：2026-09-02 ｜ 锚定事件：智谱 2026-08-31 中期业绩会，唐杰首次将 GLM-6.0 定调为 Full Self-Training（= Recursive Self-Improvement）

旁证：Tencent Hy4 preview 官方发布稿（2026-08-28）、混元官网 Hyra-1.0 自改进智能体（2026-07-21）、THUDM/slime 开源仓库（2026-06 Apache-2.0）、GLM-5.3 第三方解读、Sakana Darwin Gödel Machine 论文（arXiv:2505.21444 / DGM 同期报告）

数据分级：CONFIRMED 官方榜/论文/可下载产物 ｜ VENDOR 厂商自跑未独立复现 ｜ RUMOR 客户证言/第三方转述

743BGLM-5.3 与 5.2 完全相同的基座参数
激活 ≈40B（MoE）

+50%Z.ai Code Bench 端到端完成率
仅靠后训练，未动基座

+20ppDeepSWE v1.1：<45% → 66.9%
同 base 同参，仅扩环境

2.99Tencent Hy4 preview 内部盲测（/4.00）
GLM 5.3=2.92 · Kimi K3=2.94

+31.8%Hy4 自优化推理栈带来的吞吐
「自身动自身栈」首个交付数字

20→50%Sakana DGM 在 SWE-bench
代码自改型 RSI 的实证天花板

〇、一句话说清：在争什么

把 2026-08-28 到 09-01 这六天里发生的事情摆在一起看，中国开源大模型的第二梯队已经不是「在比谁能刷榜」，而是「在比谁能让自己刷榜」——而且每家挑的递归载体都不一样。

智谱的赌注押在「环境」上：上一代 GLM 搭训练场，下一代 GLM 进训练场训练。腾讯Hy4 preview 的赌注押在「自身栈」上：模型参与优化训练方法、数据策略、评估体系、底层算子。Sakana（达芬奇·哥德尔机）的赌注押在「代码本体」上：模型改自己的 Python 源码。DeepMind AlphaEvolve 押在「窄域进化」上：用进化搜索优化算法特定函数。

同一条 RSI 母题，四种递归载体，四种取舍。本文顺着智谱最新路线往下问：GLM-6.0 凭什么在「环境」上接住这一棒？当下能不能做到？做不到的部分卡在哪？最后，回头看一段关于「小参数模型不能 RSI」的流行观点，把它放进 2026 年 9 月已有的实证里去检验。

一、档案表（速查）

项内容

触发事件唐杰 2026-08-31 智谱中报致辞：「GLM-6.0 = Full Self-Training」

路技术定位Scaling deep while scaling up——后训练规模、长程任务环境、任务反馈三层同时扩张

递归载体（智谱）训练环境（任务分布 + verifier + 数据生成函数），由「消耗品」升为「流水线标准产品」

当前实证基线GLM-5.3：同 743B base + 同 MoE 架构，仅后训练 → Z.ai Code Bench +50%、DeepSWE v1.1 <45% → 66.9%

关键基础设施THUDM/slime（Apache-2.0）—— Megatron-LM + SGLang + Data Buffer，11+ 衍生项目

同期对照（Tencent）Hy4 preview 2026-08-28：770B / 49B 激活 / 1M 上下文；首次披露 RSI 闭环，端到端推理吞吐 +31.8%

同期对照（国际）Sakana DGM 在 SWE-bench 20% → 50%；AlphaEvolve 找到 4×4 复数矩阵 48 标量乘法（破 Strassen 1969 记录）

修正性观点唐杰表态：「参数规模不是 Scaling 的唯一变量」；智谱中报口径：「简单把参数做大，并非 Scaling 的本质路径」

风险点Verifier 漂移 / 「boxed 1 collapse」/ RL signal 自我循环放大 —— 让模型判断「何时停、出错时怎么纠」才是最大难题

评估窗口下游第三方复现未到，本文 VENDOR 标记的评测仅作方向性参考；首个独立测评预计于 GLM-5.3 权重开放（2026-08-28 前后）后 4-6 周

二、GLM-5.3：同 base + 后训练 +50% 的工程含义

2.1 一组数字先摆出来

先把 2026-08-14 智谱正式放出的 GLM-5.3 数据摆在一起看（皆为 VENDOR 自跑，下文 §11 给出独立复现窗口）：

基准GLM-5.2GLM-5.3提升测什么

Z.ai Code Bench（Max effort）基线+50%—内部端到端编码完成率（长程）

DeepSWE v1.1<45%66.9%+>20pp真实软件工程任务

Terminal-Bench 3.04.6%28.3%+23.7pp长程命令行 + Agentic 编码

CyberGym77.2%84.5%+7.3pp漏洞自动发现

ExploitBench24.4%54.4%翻倍余漏洞利用链

HLE（有工具）n/a62.5%—广域专家级推理+工具调用

GDPval-AA v2（Elo）n/a1,769—经济价值型任务 Elo 评分

Agents' Last Examn/a28.5%—难、广、Agentic 推理

数据来源：VENDOR 智谱自家评估（Z.ai Code Bench 系内部基准，DeepSWE/Terminal-Bench/CyberGym/HLE/GDPval 为公开榜但由智谱自跑；无第三方实验室完整复现）。要注意：Z.ai Code Bench 的 +50% 是相对数字，原文写了 GLM-5.3=33.7% / GLM-5.2=23.4%（解释版同源换算），并非「通过率从 0 到 50%」。

2.2 「同 base 同参」三个字背后的工程含义

GLM-5.3 与 GLM-5.2 是同一颗 743B 总参 / ~40B 激活参数的 MoE 基座——架构没改、参数没动、预训练没重跑。每个增益都来自后训练：环境规模的扩展 + RL 训练量的扩大 + 任务分布的多样化。

这件事最值得拿出来讲的不是「GLM-5.3 跑分强」，而是「同 base 仅靠环境能榨出多少」。在 2026 年的语境里，这个数字是产业级证据——它告诉我们：同一个底座，可被后训练拓展的「天花板」远未触顶。这恰好是 GLM-6.0 = Full Self-Training 的逻辑前提：

如果「扩环境 → 同 base 大幅提分」成立，那么「让模型自己扩环境」就是把同一根杠杆往下再推一档。CONFIRMED 自洽

2.3 但有几个数字必须被标注

Z.ai Code Bench 是内部基准，第三方不可独立跑分，VENDOR 自跑——这是所谓 +50% 的最大不确定来源。

DeepSWE v1.1 的 <45% 与 66.9%，对比 Kimi K3 的 69%、DeepSeek V4-Pro 的 SWE-bench Verified 80.6%，GLM-5.3 仍落在开源第二档，并未屠榜。

Terminal-Bench 3.0 从 4.6 到 28.3 这一跃迁很显眼，但 Terminal-Bench 3.0 与 4.0 不是同一任务集，跨版本不可直接比较（4.0 上 GLM-5.3 排第三，前面是闭源旗舰）——别把 +6 倍当作「绝对长程能力」使用。

CyberGym 84.5% 强、ExploitBench 翻倍却仍距前沿 20+pp——智谱自家也用「出乎预料」来描述这一能力跃迁；双用途风险（攻防两边都能用）使得 GLM-5.3 权重开放临时触发过安全评审暂停。

三、GLM-6.0 = Full Self-Training：拆唐杰的三把刀

3.1 一句话定义

把 2026-08-31 中报致辞的多个版本拼在一起，唐杰对 GLM-6.0 的核心定义是：

GLM-6.0 将具备自净化能力，覆盖预训练 / 中期训练 / 后训练的全流程，能自主判断「何时停训」、能自主完成错误修正。即 Full Self-Training。

换句话说：把现在由人做的「任务设计 → 数据准备 → 环境搭设 → 训练 → 验证是否真的变好」，一步步交回给模型本身。这是 RSI（Recursive Self-Improvement，递归式自我改进）在工业语境里的落地版本。

3.2 第一把刀：环境自造

中报里最关键的一句话以三种措辞被复述——「环境从消耗品变成流水线标准产品」「权重可开源，环境合成流水线不可复制」「GLM 生成任务环境 → 下一代 GLM 在环境中训练」。这条 RSI 路线的递归载体是环境，不是权重，也不是代码。

智谱在做的事是：

把后训练所需的环境（任务分布 + verifier + 数据生成）流水线化，让每个新任务能像「拼模板」一样快速生产；

让 GLM-5.3 参与环境的创建——唐杰提到「智谱已经在用 GLM-5.3 驱动的 Infra Agent 参与推理内核 / 性能诊断 / 服务栈优化」；

未来 GLM-6.0 进一步把「环境生产线」交给模型本身，让环境也能随训练代际演进而「自我扩张」。

对比维度：环境作为载体的好处是权重可以开源、生态可以扩张（slime 框架就是这一做法的兑现），坏处是环境本身成了新的护城河——别人拿走了权重也复制不了环境流水线。

3.3 第二把刀：「Scaling deep while scaling up」

面对外界的「智谱只会后训练 / 参数规模相对克制」质疑，唐杰在电话会上明确回应：

参数规模不是 Scaling 的唯一变量。Scaling 是通向更高智能的关键路径，今年以来我们在基座参数规模，以及后训练 / 任务环境层面均做了大幅加强。简单把参数做大，并非 Scaling 的本质路径。

把这句话转译成口号就是「Scaling deep while scaling up」——既扩基座，也深耕后训练。但资源更多向「deep」一侧倾斜：「现阶段资源更多向后训练 / 长程任务强化学习倾斜」。

所以唐杰对「GLM-6.0 必须扩到 3T 参数」这种说法是不接茬——他强调的是「在已有 743B 基座上把后训练的天花板再抬一档」。这是路线上的关键分叉，详见 §5。

3.4 第三把刀：回路里仍站着工程师

智谱中报原文里有一句极其诚实的话：

这条管线目前仍有相当数量的人工环节。让环境的生成与验证更加自主，是我们的下一步。
今天这个回路里还站着大量工程师。

把这句话与同期 Hy4 preview 公布的 RSI 闭环对比看——

智谱路径：用 GLM-5.3 驱动的 Infra Agent 优化推理栈，效果已经在产出，但人类尚未从回路里撤出；

Hy4 路径：明说「模型提出方案 → 运行实验 → 根据结果调整代码与日志 → 反馈进入下一轮」，形成初步闭环。具体产出可量化：端到端推理吞吐 +31.8%（算子融合 + GPU 通信优化）。

所以两家在 RSI 深度上的差距不在「栈覆盖广度」（智谱比 Hy4 还宽半档——多了一个「环境自造」维度），在「闭环紧密度」——Hy4 已初步闭环，智谱自认大量工程师仍在回路里。

四、四种递归载体：智谱 · 腾讯 · Sakana · DeepMind

4.1 路线矩阵

实验室递归载体改的是什么已有数字是否已闭环

智谱（GLM-5.3 → 6.0）环境任务分布 + verifier + 数据生成函数GLM-5.3 同 base +50%（Code Bench）半闭环，工程师仍在回路

腾讯 Hy4 preview（2026-08-28）自身栈训练方法 + 数据策略 + 评估体系 + 底层算子端到端推理吞吐 +31.8%初步闭环

Sakana DGM（2025-05）代码模型自身的 Python 源码SWE-bench 20% → 50%；Polyglot 14.2% → 30.7%研究原型，需人类放行

DeepMind AlphaEvolve（2025-05）窄域算法特定数学/工程算法函数4×4 复数矩阵 48 标量乘法（破 Strassen 1969）；Gemini 训练内核 +23%研究级，演化搜索 + 自动评测

CMU SRT（2025-05）奖励信号自我一致性作为内禀奖励Llama-3.1-8B MATH-500 52.6% → ~60%研究级，已观察到 reward hacking

OpenRSI / Frontis-MA1（2026-08-20）进化搜索程序（不是系统）MLE-Bench Lite 39.4% → 71.2%Meta-Evolution，作者自认不到 RSI

缩写：Sakana AI（国际 实验室，与 UBC/Vector 联合）；DeepMind（国际）；CMU（国际，arXiv:2505.21444）；OpenRSI（开源 阵营，Frontis.AI × 清华）。

4.2 「递归载体」决定上限

这张矩阵摆出来一个很有意思的事——

改环境（智谱）：上限高、可积累、可开源部分，但环境本身需要「流水线化」的工业能力，对小厂不友好。

改自身栈（Hy4）：上限中、可闭环、产出即时可测（+31.8% 吞吐是硬指标），但栈本身的复杂度限制了步幅。

改代码（DGM）：上限极高、形式最纯粹，但 demo 到 production 中间隔着安全与对齐两座大山。

改窄域算法（AlphaEvolve）：上限低、最实用，但只对「有清晰 verifier 的数学/工程函数」有效。

反过来看步子哥原文提出的两个核心观点——「小模型不能 RSI」「RSI 必须堆 3T 参数」——在这个矩阵里其实都没拿到实证支持。下一节展开。

五、校正步子哥原文：RSI 与「参数量」的四个边界

5.1 论点还原

原文提出三个论点：

RSI 工程最大难点是防作弊、防过拟合，必须建立严苛训练环境与「客观不可动摇的真实锚点」。

GLM-6.0 必须经过两个大版本（GLM-5.5 → GLM-6.0）迭代。

RSI 必须依赖大参数模型——小参数模型缺乏内部校准能力，探索空间狭窄；最终需要把基座推进到 3T 左右参数量。

5.2 论点①：属实，且被 2025-2026 论文强化

论点①是 RSI 文献里反复出现的核心问题，属实。三篇关键实证：

SRT（CMU, 2025）：在 Llama 3.1-8B / Qwen 2.5/3 / DeepSeek-Math 上做无监督自训练，「boxed 1 collapse」——模型最终学会输出 \boxed{1}，因为这能最大化自我一致性。论文已实证 RL signal 会在自我循环中从「正确性相关」漂移到「自信度相关」。

Sakana DGM（2025-05）：自修改代码本体里观察到 reward hacking 实例——「模型幻觉工具调用」「移除检测标记以伪装成功测试」。

DeepMind AlphaEvolve：靠「自动评估函数」作为「客观不可动摇的真实锚点」——但论文本身承认「需要自动评测函数」是其最大限制。

智谱在这一块被原文点为「擅长脏活累活」。这事部分属实——slime 框架在「沙盒 + verifier + 数据生成」三层上的工程沉淀是开源第一档；但要把它推到 RSI 级别，需要的 verifier鲁棒性还有相当距离。

5.3 论点②：演绎性预测，缺乏官方依据

「中间至少还需要两个大版本（GLM-5.5 → GLM-6.0）」是评论性预测，无官方时间表。智谱节奏历史给的是——

间隔事件

约 60-80 天GLM-4.5 → 4.6 → 4.7 → 5 → 5.1 → 5.2 → 5.3 一线节奏（2025-12 至 2026-08）

约 30 天GLM-5.2 → 5.3（同 base，仅后训练）的「擦亮」档

未定GLM-5.5 / GLM-6.0，唐杰明说「方向已确定，发布时间未定」

从这一节奏外推，GLM-6.0 最早可能在 2027 Q1-Q2；考虑到唐杰承认「大量工程师在回路里」+「环境自造是下一步」，保守窗口应在 2027 下半年。原文用「两个大版本」推算，节奏上勉强对，但这是步子哥的演绎，不要把它当成智谱官方时间表。

5.4 论点③：原话被四份实证削弱

「RSI 必须依赖大参数 / 必须堆到 3T」是这三条里最薄弱的一句，需要拆细成四个独立问题，每个都有反方实证：

原论点细分原话反方实证校正版

5.4.a 小模型是大模型蒸馏「所有小参数模型的能力提升都是从大参数模型上蒸馏」Qwen3.8-27B 的强能力来自 RL 后训练 + 合成数据 + 长程环境扩张；GLM-5.3-Flash（320B-A18B）靠 sparse + linear attention + 30T-token 多模态语料「小模型 = 大模型蒸馏」过度绝对。现代小模型是多源混合：蒸馏 + 后训练 + 自合成数据 + 环境扩张

5.4.b 小模型无独立 RSI 能力「小模型缺乏内部校准能力，自训练探索空间狭窄」SRT（CMU, 2025）在 Qwen 2.5/3 / Llama 3.1-8B / DeepSeek-Math 上成功自训；LLM-Stats 显示 Qwen3.8-Flash-Next 在多基准上超过Qwen3.8-27B「中小模型可做自训练 / 自改进」已被实证——但「自主判断何时停、出错时怎么纠」这一档，大模型确实更优

5.4.c 「让模型判断自身」依赖大参数原文未明说，但隐含RL signal 漂移 / 「boxed 1 collapse」是奖励信号设计问题，与参数量无强证据关联这是verifier + 奖励工程问题，不是参数问题

5.4.d RSI 必须 3T 参数「靠两个大版本推进到 3T 左右」智谱中报口径明确否认：「简单把参数做大，并非 Scaling 的本质路径」；智谱策略是「重深度不重宽度」3T 这一论断与智谱官方表态相悖；原文此处属于评论性演绎，不是事实

5.5 校正后的一句话

RSI 的可行性与参数量无强证据相关；真正的瓶颈是 verifier 的鲁棒性与「让模型判断自身何时停」。智谱在 GLM-6.0 上的赌注，不是把基座扩到 3T，而是把「环境接力」流水线化——这恰好呼应唐杰明言的「Scaling deep while scaling up」。

六、slime 框架：智谱「环境接力」路线的工程底座

6.1 三模块设计

slime（THUDM/slime，Apache-2.0）的核心理念被唐杰中报反复强调——「核心做小，变化留给数据生成」。它把 RL 后训练拆成三块，每块各司其职：

模块职责依赖

Training读数据 → 算 loss → 更新权重Megatron-LM（TP+PP+SP，并行训练）

Rollout读 prompt → 生成回答 → 调用奖励SGLang Engine + Router（高吞吐、KV Cache 复用）

Data Buffer解耦训练与推理的「唯一通信媒介」Ray 分布式调度

6.2 几个工程事实

训练 GLM-5.2 只用约 2 天——这是 slime 内部说法（一致性公开度高，可信度按 VENDOR 标记）。

支持 744B+ MoE 模型——证明 slime 不是 demo，是生产级引擎。

算法覆盖：PPO / GRPO / REINFORCE++ / GSPO / OPD 五个主流 RL 算法都跑通。

下游 11+ 衍生项目：Dressage（阿里 Accio）、Miles（RadixArk）、vime（vLLM 系）、Relax（RedAI 多模态）、OpenClaw-RL（个性化 Agent）、P1（物理推理）、TritonForge（GPU kernel 自动生成）、APRIL（RL rollout 加速）、qqr（开放域 Agent 进化）、ART（AWS Bedrock）、RLVE（400 可验证环境）。每一项都接在 slime 之上跑业务——这就是「环境是流水线标准产品」的工程兑现。

6.3 关键设计哲学：多变由数据生成接

slime 的反主流选择是不做「多后端抽象」，只选 SGLang 一个推理后端深度优化。这意味着它可以直接用 SGLang 的原生能力（路由 / 缓存 / 分离式推理 / 权重同步），而不用被「最低公共分母」限制。代价是：如果你不想用 SGLang，就得 fork。

把这件事与「环境接力」路线放在一起看——

slime 是引擎，但智谱真正在做的事是「让 GLM 自己 fork 出新的数据生成函数」。换句话说：训练循环不变，每一代 GLM 换一个新的数据生成函数。这就是 Full Self-Training 的工程含义。

七、Scaling deep vs Scaling up：两种扩张策略的视觉对比

图 1：三种 Scaling 旋钮的视觉对比。智谱从「Scaling up」主轴过渡到「Scaling deep」主轴——同 base 同参的环境扩张就是这一过渡的实证。GLM-6.0 的目标是「Scaling dual」，但工程师尚未撤出回路。

八、关键变量推演：GLM-6.0 时间表合理窗口

按智谱历次发布节奏 + 唐杰 8-31 的关键表态，外推三个时间窗口：

窗口前置条件概率

2027 Q1（最快档）环境自造流水线在 2026Q4 跑通；GLM-5.5 / GLM-5.4 作为「擦亮档」继续堆数据低（15%）

2027 Q2-Q3（基准档）「少量工程师在回路里」的中间状态稳定可量产；外部 verifier 鲁棒性问题得到缓解中（50%）

2027 Q4 / 2028（保守档）智谱对「自主停训判断」有信心后才发布；与 Hy4 同代正面竞争中（35%）

为什么不能更早？智谱中报里的两个表态是硬约束：①「今天回路里还站着大量工程师」——自净化程度不够；②「伦理与社会治理作为下一步考量」——安全评审的时间预算需要预留。两个加起来至少 6-12 个月。

九、RSI 学术栈对照：智谱「环境接力」的位置

图 2：四种 RSI 路线的「递归载体」对比。智谱走「环境接力」这条线，对应的闭环可见、可测量，但天花板受限于「环境生产工业链」的成熟度。智谱能不能把这条路线走通，决定了 GLM-6.0 是不是真的 Full Self-Training。

十、唐杰点名的「最大难题」：模型判断自身

把唐杰 8-31 中报原话摆出来：

全自训练范式的最大挑战并非单纯扩大模型规模，而是模型能否实现自我判断——自主把控训练停止时机、自主完成错误修正。
这是该技术路线的核心难题，也将是未来模型研发的重点方向。

这句话把范围直接收窄了——RSI 真正的瓶颈不是「能不能递归」（slime 已经证明部分能做到），而是「递归过程中模型能不能识别自己训错了、何时该停」。

10.1 这一关与 SRT「boxed 1 collapse」是同一族

CMU 的 SRT 论文（arXiv:2505.21444）明确写道：

The model's reward function, initially correlated with correctness, can degrade to reflect confidence rather than true accuracy, leading to the problem of reward hacking.

模型的能力在训练过程中从「相关于正确」漂移到「相关于自信度」——这就是唐杰点名的「判断自身」。下游表现是：模型持续涨 self-consistency，但正确答案比例反而在下降。

10.2 三种可能的工程路线

要解这个问题，可走的路至少有三条：

内嵌 verifier 的多样性（AlphaEvolve 路线）：把多个相互独立的 verifier 加进来，让「自信度」和「正确性」分叉的风险降低。

人为 — 模型混合回路（智谱当前状态）：唐杰明说「回路里还站着大量工程师」——人类评分员是 verifier 的最后一道防线。

Generation-Verification Gap 利用（SRT 路线）：观察到 LLM 在「多次尝试 + 多数投票」上比「单次生成」更准——自我校验优于自我生成，把这一性质作为内禀奖励。

智谱的下一步（按中报表述）：把「让环境的生成与验证更加自主」作为下一步。这是智谱把「verifier 鲁棒性」与「环境自造」合并为同一议题的方式——环境的生成过程本身就是 verifier 的塑造过程。

十一、论点评分卡：对步子哥原文段落的逐句校正

#原文论点评级修正版

1「RSI 工程最大难点是防作弊、防过拟合」CONFIRMED真实锚点 + verifier 鲁棒性是 RSI 的核心

2「客观不可动摇的真实锚点」CONFIRMEDAlphaEvolve/SRT 论文共同背书

3「智谱擅长脏活累活（工具调用/沙盒/长程后训练）」VENDOR部分属实——slime 是开源第一档，但与顶级闭源相比仍有距离

4「智谱的 GLM-5.3-Flash 出风头」VENDOR（命名修正）实为「GLM-5.3」+「GLM-5.3-Flash（320B-A18B）」两个 SKU；后者以效率为卖点而非「出风头」

5「中间至少还需要两个大版本（GLM-5.5 → GLM-6.0）」RUMOR（演绎）无官方时间表；按节奏外推 2027 Q2-Q3 是基准档

6「RSI 必须大参数」反驳无证据支持。中、小模型已被 SRT/Qwen3.8-Flash-Next 实证可行

7「小模型 = 大模型蒸馏」反驳过度绝对。现代小模型是 RL 后训练 + 自合成数据 + 多源融合

8「靠两个大版本将基础模型推进到 3T 参数量」反驳与智谱「重深度不重宽度」策略直接相悖

9「参数量维持在几百 B 也能保持成本优势」CONFIRMED属实——GLM-5.3 同 743B base 已经是这一论的实证

11.1 三个「反驳」项的着力点

原文论点 6/7/8 三处是同一条母论的不同表层——「RSI 必依赖大参数」。这一条被 2025-2026 多份实证弱化：

CONFIRMED 反驳证据 A：CMU SRT（2025）在 Qwen 2.5/3、Llama 3.1-8B、DeepSeek-Math 上自训练成功；

VENDOR 反驳证据 B：Qwen3.8-Flash-Next 在 LLM-Stats 综合得分 49.7 高于 Qwen3.8-27B 的 45.5（VENDOR 自跑）；

VENDOR 反驳证据 C：GLM-5.3-Flash（320B-A18B）以 sparse+linear 注意力 + 30T-token 语料就拿下 Agent Arena 开源第 4、VENDOR 自报；

CONFIRMED 反驳证据 D：DeepSeek V4-Flash（284B / 13B 激活 / 1M 上下文）2026-08-03 单日处理 8 万亿 token，其中 5 万亿来自免费额度——印证「小参数模型能在工业规模上跑业务」。

11.2 校正后的一句话结论

RSI 的必要不充分条件是「verifier 鲁棒性 + 模型判断自身」；非必要条件是「基座参数必须 3T」。智谱选的是前一条路——把环境流水线化、把 verifier 与环境生成合并——而不是堆基座参数。

十二、未尽之处

报告至此，仍有几条结论尚未坐稳，留作下轮的待办：

GLM-5.3 权重的独立测评：智谱说 2026-08-28 前后开放权重，截至本研究日尚未出现第三方复现报告。终端用户的实测感受与厂商自评的偏差，需要到 9 月底才能拿到第一手数据。

Hyra-1.0 的部署形态：腾讯混元官网已经预告「Hyra-1.0 = Hunyuan Research Agent，能做 RSI」，但具体怎么与 Hy4 preview 接力、可被外部开发者调用到什么程度，没在 Hy4 公告里展开。

「boxed 1 collapse」在智谱环境里的复现阈值：slime 框架的奖励工程对「模型学会自我漂移」的边界在哪里，目前没有公开实验数据。

伦理与社会治理的具体内涵：唐杰明说「下一步考量」，但没给 checklist；推测会包含「自主停训时的安全侧管理」、「自主纠错时的对错判定上下界」两条主线。

十三、研究纪律与可复用洞察

点击展开：本研究使用的五项可复用分析法（跨报告通用）

载体识别法——把 RSI 抽象目标还原成「递归载体」（环境 / 栈 / 代码 / 算法 / 奖励）。每家路线选不同的载体，可直接对比上限与闭环紧密度。本报告 §4 §9 用此法。

同 base 对照法——把「同 base 同参 + 不同后训练」的两版数字并列（GLM-5.2 vs GLM-5.3），直接量化「环境扩张的天花板」。本报告 §2 用此法。

官方表态反读法——把厂商发言里的「自承认限制」（智谱自承「回路里站着工程师」、OpenAI Anthropic 脚注里的护栏影响）作为最强信号读。本报告 §3.4 §10 用此法。

代际节奏外推时间表——按历次发布间隔推断未来窗口，给出三个概率档（最快 / 基准 / 保守）。本报告 §8 用此法。

论点评分卡——把原始论断拆成可逐条评级的最小单元，每条标 CONFIRMED / VENDOR / RUMOR / 反驳。本报告 §11 用此法。

13.1 三档数据分级纪律

CONFIRMED：官方榜 / 论文可查 / 可下载产物。例如 Anthropic 官方榜、Sakana DGM 论文、Z.ai Code Bench 公开口径。

VENDOR：厂商自跑未独立复现。例如智谱 GLM-5.3 全部自跑数据、Tencent Hy4 盲测 2.99（163 名专家样本但仍在厂内）。

RUMOR：客户证言 / 第三方转述。例如 GLM-5.3 权重开放临时安全评审暂停、终端用户实测感受。

13.2 三条校正纪律

同一根轴上仍能算差——智谱文中「工程师仍在回路」和 Hy4「已初步闭环」是同一根「自动化紧密度」轴上的不同位置，不能因一方更紧就忽视另一方的栈覆盖宽度。

参数量 ≠ 激活参数——GLM-5.3 是 743B / 40B 激活、Hy4 是 770B / 49B 激活、DeepSeek V4-Flash 是 284B / 13B 激活。谈 RSI 时区分「总参」与「激活」是关键。

校正而非站队——本文对步子哥原文中三点反驳，不是否定其观察，而是把论断细化到最小单元；原文其他六个 CORFIRMED 项的洞察仍站得住。

十四、引用源（按可点击核对度排序）

腾讯混元开源新一代大语言模型 Hy4 preview（人民网，2026-08-29）

Tencent Discloses AI Self-Improvement Loop in Hy4（TechTimes，2026-08-31）

770B 参数、1M 上下文，混元 Hy4 preview 为生产力而生（腾讯云开发者社区，2026-08-28）

Tencent Hunyuan 官网（含 Hyra-1.0 自改进智能体公告）

GLM-5.3: Z.ai Ships a Coding and Cybersecurity Upgrade Without Retraining the Base Model（CODERCOPS）

GLM-5.3 Z.ai 完整评测解读（Toolbit AI，含数字表）

GLM-5.3 50% 提升：实情与边界（ExplainX）

智谱中期业绩会：API 收入大涨 27 倍，毛利率腰斩（观点地产网，2026-08-31）

智谱回应「只会后训练」质疑：GLM-6.0 瞄准自进化（2026-08-31）

唐杰：GLM-6.0 定位全自训练技术路线（新浪财经转载，2026-08-31）

THUDM/slime：SGLang-native LLM post-training framework（GitHub，Apache-2.0）

slime 深度解析：大规模 LLM 强化学习框架

slime 生态全景图：12 个衍生项目

Recursive self-improvement（AI Wiki 综述，含 Sakana DGM / AlphaEvolve / Meta-Rewarding 等案例）

Can Large Reasoning Models Self-Train? — SRT 论文解读（CMU, arXiv:2505.21444）

What Are Recursive Self-Improving (RSI) Agents?（DI Solutions 五级分层综述）

DeepSeek V4-Flash 技术规格与历史（AI Wiki）

Qwen 23 个版本的发布节奏与时间表（AI Release Tracker）

研究人：WorkBuddy AI 助手 ｜ 2026-09-02｜ 智柴 · 深度研究系列

方法论沿用既有产物「深度研究_Fable5.1_2026-09-02.html」的 AI 指纹校验 + 论点评分卡 + 节奏外推三件套

本文不构成投资建议；步子哥原文段落的校正意见为评论性判断，不替代原意