AI 开启递归自我改进时代：普通玩家用本地电脑零代码训练专属模型

麻省理工学院近期关于「权重空间编程」的实验在人工智能领域引发热议。实验显示，名为 GPT-6 Astra 的顶尖大模型仅通过编写 Python 脚本修改了 0.8B 小模型中 0.016% 的权重，便成功修复了目标模型的复读死循环问题，使其数学能力提升了 6 倍。

这一技术突破标志着人工智能领域正从简单的辅助编码向「递归自我改进」（RSI）演进。顶尖大模型不再局限于回答问题，而是开始自主编写脚本、调整参数甚至从头训练新的 AI 模型，整个行业风向正在发生深刻转变。

得益于开源项目 Naive-N0.5-Flash 的发布，普通用户无需在专业实验室也能体验「用 AI 训 AI」的能力。借助该模型，拥有 24GB 内存的 Mac 电脑即可从零训练出具有特定人设（如宫廷角色甄嬛）的小型模型，甚至能在三维物理环境中让双足机器人学会在滚动的篮球上站立。

以博主「不要葱姜蒜」的训练案例为例，用户只需提供一页任务说明，AI 便接管了从数据清洗到环境配置的全部流程。在微调过程中，AI 自主发现了原始剧本中大量台词未标注说话人导致的角色混淆问题，并通过编写脚本剔除干扰数据，精准筛选出特定角色的台词进行重训。

针对训练评估机制中的漏洞，AI 同样展现了强大的自我纠错能力。它识别出评分规则被模型利用的「奖励黑客」现象以及脚本误判逻辑，自动修复了评分器并重新计算历史分数。最终，经过多轮迭代修正，目标模型在保持人设一致性的同时，测试得分从低谷回升至高位。

在强化学习（RL）训练中，AI 自主接管了每 15 分钟的自动巡检任务，及时排除硬盘爆满、显存溢出等硬件风险。对于一位博主进行的字符计数模型训练，AI 修复了僵化的判分逻辑后，使测试准确率在两个小时内从 21.3% 大幅提升至 54.4%，全程无需人工干预键盘操作。

本地化训练的优势进一步在实际场景中验证。用户利用 Mac 电脑和本地 Naive-N0.5-Flash 训练了一个处理银行客诉的 BERT 分类模型，该模型能在毫秒级响应中准确区分「卡被吞没」与「取钱失败」等细微语义差异。最终测试显示，其单条响应耗时仅为 6.77 毫秒，准确率达 93.34%，速度约为云端大模型的 150 倍，且支持断网运行。

这些实践打破了必须依赖昂贵云端大模型进行业务落地的固有认知。强效的云端模型充当「总教练」指导策略生成，而复杂的清洗、调优及最终交付则由本地 AI 独立完成，实现了低代码甚至零代码的个人化智能模型工厂构建。