Tencent's neuer KI-Trick lässt Modelle sich selbst in einer Schleife unterrichten
Tencent hat eine Trainingstechnik vorgestellt, die es Terminal-RSI nennt und die es einem großen Sprachmodell ermöglicht, sich selbst zu verbessern, indem es seine eigenen Übungsaufgaben generiert und diese dann löst. Das Unternehmen beschrieb die Methode als eine Möglichkeit, Modellen eine Art selbstgesteuerte Lernschleife zu geben, wodurch die Abhängigkeit von von Menschen geschriebenen Trainingsdaten verringert wird. Die Ankündigung, über die das Tech-Portal TMTPost berichtete, deutet auf einen wachsenden Fokus chinesischer KI-Entwickler hin, Modelle leistungsfähiger zu machen, ohne sie einfach mit mehr Text zu füttern.
Die Kernidee ist, dass ein Modell sowohl als Schüler als auch als Lehrer fungieren kann. Es schlägt Aufgaben vor, versucht sie zu lösen, überprüft die Ergebnisse anhand verifizierbarer Resultate und lernt aus seinen Fehlern. Über wiederholte Zyklen verbessert sich die Leistung des Modells bei den Aufgaben, die es erfindet. Tencent nennt dies eine kleine Version der rekursiven Selbstverbesserung, ein Konzept, das KI-Forscher seit langem fasziniert, aber schwer zuverlässig umzusetzen bleibt. Die Darstellung des Unternehmens deutet darauf hin, dass es den Ansatz als praktischen Weg zu stärkeren Denkfähigkeiten sieht.
Tencents Schritt erfolgt, während sich die chinesische KI-Industrie in verschiedene Lager aufteilt. DeepSeek, das in Hangzhou ansässige Labor, das die Welt mit seinen kostengünstigen Modellen überraschte, hat sich auf Effizienz und offene Veröffentlichungen konzentriert. Kimi, entwickelt von Moonshot AI, hat sich auf die Verarbeitung von Dokumenten mit langem Kontext spezialisiert. Tencent, ein in Shenzhen ansässiger Internetriese, bekannt für WeChat, hat seine Hunyuan-Modellfamilie aufgebaut und KI in seine Verbraucher- und Unternehmensprodukte integriert. Die Terminal-RSI-Arbeit scheint darauf abzuzielen, die Lücke beim Denken zu schließen, wo amerikanische Modelle oft führend waren.
Der Zeitpunkt ist bemerkenswert. DeepSeek hat kürzlich begonnen, für die Websuche in seiner API Gebühren zu erheben, ein Zeichen dafür, dass chinesische KI-Firmen nach einer Phase aggressiven Preiswettbewerbs zu nachhaltigen Geschäftsmodellen übergehen. Tencents Forschung hingegen dreht sich um Fähigkeiten statt um Kosten. Wenn Modelle sich mit weniger menschlicher Aufsicht verbessern können, könnten sich die wirtschaftlichen Rahmenbedingungen der KI-Entwicklung verschieben, wodurch es billiger würde, höhere Leistung zu erreichen, und sich das Tempo der Veröffentlichungen möglicherweise beschleunigen könnte.
Dennoch werfen sich selbst verbessernde Modelle Fragen auf. Ein Modell, das seine eigenen Trainingsdaten generiert, kann seine eigenen Fehler verstärken, ein Problem, das als Modellkollaps bekannt ist. Tencents Methode stützt sich auf Aufgaben mit verifizierbaren Antworten, was die Bereiche einschränkt, in denen sie funktionieren kann. Kreatives Schreiben, offenes Denken und Planung in der realen Welt sind schwerer automatisch zu überprüfen. Das Unternehmen hat nicht gesagt, welche Produkte oder zukünftigen Hunyuan-Modelle die Technik nutzen werden.
Der breitere Kontext ist ein chinesischer KI-Markt, der sowohl überfüllt als auch kreativ geworden ist. Startups und Giganten gleichermaßen experimentieren mit agentischen Systemen, Suchwerkzeugen und persönlichen Assistenten. Tencents Terminal-RSI passt in dieses Muster: ein Forschungsfortschritt, der in Produkte einfließen könnte, von Cloud-Diensten bis zu Verbraucher-Apps. Für globale Beobachter ist es eine Erinnerung daran, dass Chinas KI-Fortschritt nicht nur darin besteht, bei der reinen Größe aufzuholen, sondern auch darin, neue Wege zum Trainieren und Bereitstellen von Modellen zu finden.
Was als Nächstes passiert, hängt von den Ergebnissen ab. Tencent hat wenig Details zu Benchmarks veröffentlicht, und unabhängige Überprüfung wird wichtig sein. Aber die Richtung ist klar. Chinesische Labore folgen nicht mehr nur; sie schlagen ihre eigenen Antworten auf das schwierigste Problem der KI vor, nämlich wie man Modelle intelligenter machen kann, ohne dass Daten oder Geld ausgehen.