从蒸馏到合成数据到 RSI，模型竞争的下一个焦点是什么？｜对谈 Evolvent AI 联创孟繁青

摘要

孟繁青分享了他從 Kimi 的 Agent 與 RL Infra 背景轉向 Evolvent AI 創業的經驗，強調 Post-training 與合成資料的重要性。他認為國模競爭的核心在於 Pre-training 的架構創新，而非單純依賴蒸餾加速。他還闡述了 RSI（自進化模型）的潛力，指出未來模型將更側重於垂直領域的應用與自我迭代，而非通用基模。

Meng Fanzheng shares his transition from Kimi's RL Infra to Evolvent AI, emphasizing the importance of synthetic data and post-training. He argues that the core of the domestic model competition lies in architectural innovation during pre-training, not solely in distillation. He also highlights the…

重點

• 孟繁青從 Kimi 的 RL Infra 背景轉向 Evolvent AI 創業，專注於 RSI 與合成資料。
• 他認為國模競爭核心在於 Pre-training 的架構創新，而非單純依賴蒸餾。
• RSI 與垂直領域應用將成為未來模型進化的關鍵方向。

章節

依話題轉折切分，標題由 AI 產生

1. 00:00從大廠工程化轉向合成資料
2. 03:09平台化與真實環境驗證
3. 09:21後訓練：關注本質而非演算法
4. 12:56AIGC 的機械化侷限與量化標準
5. 18:55模型差距縮小與預訓練競爭
6. 21:45拼卡與時間差：長遠挑戰
7. 24:49J.M. 的程式碼優勢與資料投入
8. 27:55自進化：模型層與工具層的定義
9. 34:11模型降價與基模價值重構
10. 42:22資料自進化與合成資料價值
11. 45:37演算法即資料：資源浪費的反思
12. 48:43資料枯竭與合成資料反哺
13. 53:24合成資料與模型蒸餾的關聯
14. 58:15AI Lab 的智力提升與技術路線

提到的工具與公司

• RSI
• EvolveN
• Kimi
• K2.5
• Linear

適合誰看

對 AI 創業、合成資料、RSI 及國模競爭格局感興趣的技術與創業人士。

摘要依據

講者

曲凯

依據

語音轉文字

為什麼排在這裡

人氣

0.50

新鮮

0.81

在主題頁與搜尋結果裡，名次由相關、人氣、新鮮三個分數決定；這一頁沒有搜尋的關鍵字，所以沒有相關分數。排序怎麼算

相關內容

• 178: 与田渊栋聊 RSI：模型自进化如何到来？Podcast ・ 晚点聊 LateTalk ・ 1 小時 29 分
• 171: 与Henry的「AI季报 26Q2」：从 coding 到 RSI，强者愈强的未来？Podcast ・ 晚点聊 LateTalk ・ 1 小時 40 分（在新分頁開啟原站）
• 再访田渊栋：46.5亿美金估值的RSI，与AI自进化｜Neolabs特辑【101视频播客】影片 ・ 硅谷101 ・ 1 小時 32 分（在新分頁開啟原站）
• How to Generate and Use Synthetic Data for Finetuning文章 ・ Eugene Yan（部落格）
• E253｜谁在给大模型出题、卖题、判卷？聊聊AI数据行业的野蛮生长影片 ・ 硅谷101播客 ・ 58 分鐘
• Baking a Model文章 ・ Kent Beck（部落格）