唐杰谈递归自我改进：GLM-5.3 的 Infra Agent 两周跑通国产加速卡、承接全部线上流量 (2026)

2026 年 9 月 17 日 15:05，智谱官方账号 @Zai_org 在 X 上发帖，说明 GLM-5.3 如何参与搭建并优化服务 GLM-5.3-Flash 的推理系统，帖尾附官方技术博客链接。三分钟后，清华大学教授、智谱首席科学家唐杰引用这条公告，写下自己的长篇英文解读；当天 17:05，他把同一件事写成一条中文长微博。1 2 3

两条帖子讲的是同一项工作：一个由 GLM-5.3 驱动的 Infra Agent，用两周时间让 GLM-5.3-Flash 在国产加速卡上从第一次跑通走到承接全部线上流量。唐杰给这条动态配的判断是「AI 的下一站，是 AI 自我进化、自己创造自己的继任者」，官方博客把这项能力命名为递归自我改进（Recursive Self-Improvement，RSI）。3 4

Z.ai 官方公告说了什么

官方公告只有四段：他们分享 GLM-5.3 如何帮助搭建并优化服务 GLM-5.3-Flash 的推理基础设施；这套系统从首次跑通到生产可用用了不到两周，端到端吞吐增长到基线的三倍；关键是稠密反馈（dense feedback），即本地正确性测试、执行轨迹、微基准与端到端测量，让 Agent 用有针对性的实验检验假设，汇总性能指标退回最终验收的角色；末尾是博客链接。1

博客在当天发布，标题是《Toward Recursive Self-Improvement: How GLM Built Its Own Inference Infrastructure》，正文从「模型有时表现出让我们惊讶、甚至不安的能力」写起，把这次工作放在 RSI 这条线上，结尾明确写上「我们还没有到达递归自我改进」。4

唐杰自己怎么写这件事

他在 X 上这条帖子有三千多个字符，开头是两个事实：GLM-5.3-Flash 从国产加速卡上的第一次跑通到承接全部生产流量用了两周，端到端吞吐提升 3.2 倍；大部分工作由一个 GLM-5.3 驱动的 Infra Agent 完成。他给这个角色写了一句概括：模型在优化服务它自己的系统。2

Loading content card…

他接着写这次真正的难点在哪里。Agent 卡住的时候，它手上只有「吞吐掉了 20%」这样的结论，而它需要知道的是出在哪一层、哪个假设不成立、下一步该测什么。他把这翻译成强化学习的语言：这是一份稀疏奖励，外加一个功劳分配问题。2

他的解法是把资深工程师脑子里的隐性过程奖励显式化，做成 Agent 可以直接调用的分层验证接口，也就是官方口径里的稠密反馈：正确性反馈回答「算对了吗」，系统行为反馈回答「时间花在哪里」，性能反馈回答「哪个方案在什么条件下更好」，每条反馈都要局部、廉价及时、可以客观验证。2

三个案例在他的帖子里各占一段：KDA 算子 Context Parallelism 路径上随序列长度增长的精度漂移，起因是 TF32 舍入误差在状态矩阵的链式合并里累积；KV 传输与 DeepEP dispatch 从未重叠，顺着调用链查到 intra-node 路径没有释放 GIL，修复后传输开销从 30% 以上降到 1% 以内；一个 decode 算子因为切块方式把同一份归一化算重复了四次，重构后加速 1.71 倍。2

边界他也写清楚了：目标由人定，反馈环境由人搭建，高风险改动由人复核；工程师的角色正在从「解决问题的人」变成「设计反馈的人」。中文微博多出一段概括，他把这套优化总结成四次资源置换：以算换存、以通信换显存、以精度换容量、以分离换调度自由。2 3

微博最后回到英文，用三行收尾：

We are still far from recursive self-improvement.
But the smallest loop now exists.
The model optimizes the system. The system serves the model.

官方博客给出的工程细节

官方博客说，这套服务建在十万张以上国产 AI 加速卡组成的集群上，此前没有人把国产加速卡部署到这个规模；GLM-5.3-Flash 的全部生产推理都跑在这套系统上。芯片的显存容量与带宽有限，还要支持 1M 上下文、多模态请求和新的模型架构，生态不成熟、算子支持不全，很多本该有文档的地方只能靠猜。官方给出的结果是端到端服务性能提升约 3 倍，硬件利用率与每 token 成本接近主流 NVIDIA GPU 的水平。4

GLM-5.3-Flash 端到端吞吐从基线 1.00× 到上线 3.22× 的演进曲线 — Z.ai 官方博客 Figure 1：曲线从 T+0 的 W8A8 基线 1.00× 走到 T+13 上线时的 3.22×，沿途标注异步调度、分层缓存、Layer Split、Context Parallel、KV transfer overlap、混合精度缓存量化等里程碑，末端以虚线标为「持续演进」。博客正文把这轮提升写作「约 3 倍」。4

博客里还有一个唐杰两条动态都没提的数字：GLM-5.3-Flash 以匿名名 Ox-Alpha 在 OpenCode 与 OpenRouter 上线，六天处理超过 62 万亿 token，成为这两个平台上用量最高的模型。这些数字由智谱自己发布，博客没有附带第三方复测。4

端到端指标为什么不够用，博客给了自己的解释：一次完整跑要等上几个小时，Agent 看到「吞吐掉了 20%」之后，仍然不知道是哪一层出错、当前假设为什么站不住、下一次该测什么。他们把正确性、系统行为、性能三类反馈做成 Agent 可以直接调用的分层验证接口，并要求每条反馈足够局部、足够廉价及时、能被客观验证：内核级对比负责数值正确，执行轨迹与运行时事件负责定位时间去向，微基准与计算/传输重叠负责判断方案优劣，端到端验收只管最终是否真的变好。4

稀疏反馈与稠密反馈两种 Agent 优化回路的对照图 — Z.ai 官方博客 Figure 2：左图是只有端到端反馈的稀疏回路，Agent 每轮都要等完整跑完；右图是稠密反馈回路，工程师给出目标与系统边界，Agent 在正确性、系统行为、性能三个中间验证接口之间迭代，候选改动再回到端到端验收。4

三个案例的第一个是 KDA 算子的 Context Parallelism 路径。Agent 把分片与不分片的执行路径逐个对齐比较，发现 tl.dot 在输入为 FP32 时默认按 TF32 计算，误差在状态矩阵的链式合并与状态更新里累积，上下文越长越明显；修法是对这两处显式指定 input_precision="tf32x3"。这项修复已经合并进上游的 flash-linear-attention（PR #1180，8 月 27 日合并）。4 5

第二个是 KV 传输。工程师给 Agent 定的验收线是：同一负载下，Prefill 加 KV 传输与只跑 Prefill 的差距不超过 5%；Agent 在部分场景里量到差距超过 20%，顺着调用链追到 DeepEP v1.2.1 的 intranode_dispatch 与 intranode_combine 没有释放 Python GIL，同进程里负责 Mooncake Transfer 的线程抢不到解释器锁，传输任务的调度被推迟；修复后同一测试下的差距降到 1% 以内。4

第三个是 KDA Decode 算子。Agent 先从 SGLang、FLA、DeepGEMM 的现成算子里提炼出一批带适用条件的「优化骨架」，再逐项迁移到当前硬件：原实现沿 V 维度切块，同一份 FP32 归一化与门控计算被重复算了四次；它把分块并进同一个线程块，把中间结果留在寄存器里，用一次 warp 级归约替掉逐块计算，换来 1.71 倍加速。4

KDA gated delta-rule decode 算子四个版本的加速比曲线 — Z.ai 官方博客 Figure 4：同一算子从 v0 门控与激活融合版本算起，v1 为支持 ReplaySSM 一度掉到 0.90×，v2 的除法优化回到 1.00×，v3 寄存器驻留加 warp 归约把加速比推到 1.71×。4

博客结尾划了边界：选目标、定边界、判断风险仍然由人负责，官方认为人还要长期守在这条线上，RSI 尚未到达。4

官方口径与唐杰个人说法的对照

维度	Z.ai 官方（公告与博客）	唐杰个人表述（X 与微博）
端到端吞吐	公告写「三倍」，博客正文写「约 3 倍」，博客 Figure 1 末点标 3.22×	两条帖子都写 3.2 倍
KV 传输开销	部分测试场景下与只跑 Prefill 的差距「超过 20%」，修复后降到 1% 以内	「传输开销从 30% 以上降到 1% 以内」
国产芯片规模	「十万张以上国产 AI 加速卡」，全部生产推理跑在这套系统上	只说国产加速卡，未给数量；8 月 27 日微博说的是「数万张国产芯片」（背景）6
三个工程案例	给出机制、代码位置与上游 PR 编号	每个案例压成一句话
RSI 定性	「我们还没有到达递归自我改进」，人类保留目标、边界与风险判断	微博开头写「AI 的下一站，是 AI 自我进化、自己创造自己的继任者」，X 结尾复述尚未到达

两边对得上的地方不少：两周、1.71 倍、传输开销降到 1% 以内。差异集中在两处数字的取法。吞吐倍数上，唐杰用的是博客 Figure 1 曲线末端的精确值 3.22×，官方公告与博客正文各自取整成了「三倍」和「约 3 倍」。KV 传输的起点上，官方描述的是某个测试场景下与只跑 Prefill 相差 20% 以上，唐杰在两条帖子里都写成「传输开销从 30% 以上降到 1% 以内」。引用时把出处一起带上，两个口径就不会被合成一个数字。

读者可以接着核对什么

上游补丁：PR #1180 已在 8 月 27 日合并进 fla-org/flash-linear-attention 主分支，比博客发布早三周，点开可以看到改动落在哪几个 kernel 上。5
DeepEP 的 GIL 修复去向：博客只写了「修复」，没有说明改在自家分支还是上游版本；DeepEP 是开源项目，之后可以从它的 release notes 里核对这项改动是否进入正式版本。
绝对吞吐：官方和唐杰都只给倍数，没有给 tokens/s。X 上已经有人直接问了这件事——@thunderbloo 在唐杰的帖子下留言「所以有 200 tps 了吗」，唐杰当晚回了一句「possible if with b」。7 8 这条回复只有五个词，也没有说明 b 指什么，想看绝对值只能等 API 文档或第三方评测。
十万张加速卡的构成：博客没有给出厂商与型号，「硬件利用率与每 token 成本接近主流 NVIDIA GPU」也是官方自述，没有第三方复测；可以和 OpenRouter 上 Ox-Alpha 的实际吞吐数据对照着看。