Tencent's nieuwe AI-truc laat modellen zichzelf in een lus onderwijzen
Tencent heeft een trainingstechniek onthuld die het Terminal-RSI noemt, waarmee een groot taal模型 zichzelf kan verbeteren door zijn eigen oefenopgaven te genereren en deze vervolgens op te lossen. Het bedrijf beschreef de methode als een manier om modellen een soort zelfgestuurde leerlus te geven, waardoor de afhankelijkheid van door mensen geschreven trainingsdata afneemt. De aankondiging, gemeld door techoutlet TMTPost, wijst op een groeiende focus onder Chinese AI-ontwikkelaars om modellen capabeler te maken zonder ze simpelweg meer tekst te voeren.
Het kernidee is dat een model zowel student als leraar kan zijn. Het stelt taken voor, probeert ze uit, controleert de resultaten aan de hand van verifieerbare uitkomsten en leert van zijn fouten. Na herhaalde cycli verbetert de prestatie van het model op de taken die het zelf bedenkt. Tencent noemt dit een kleinschalige versie van recursieve zelfverbetering, een concept dat AI-onderzoekers al lang fascineert maar moeilijk betrouwbaar te implementeren blijft. De framing van het bedrijf suggereert dat het de aanpak ziet als een praktische weg naar sterkere redeneervaardigheden.
De zet van Tencent komt terwijl de Chinese AI-industrie uiteenvalt in verschillende kampen. DeepSeek, het in Hangzhou gevestigde lab dat de wereld verraste met zijn goedkope modellen, heeft zich gericht op efficiëntie en open releases. Kimi, ontwikkeld door Moonshot AI, heeft zich toegelegd op documentverwerking met lange context. Tencent, een in Shenzhen gevestigde internetgigant bekend van WeChat, bouwt aan zijn Hunyuan-familie van modellen en integreert AI in zijn consumenten- en zakelijke producten. Het Terminal-RSI-werk lijkt gericht op het dichten van de kloof in redeneren, waar Amerikaanse modellen vaak voorop hebben gelopen.
De timing is opmerkelijk. DeepSeek is onlangs geld gaan vragen voor webzoekopdrachten in zijn API, een teken dat Chinese AI-bedrijven na een periode van agressieve prijsconcurrentie naar duurzame bedrijfsmodellen bewegen. Het onderzoek van Tencent daarentegen gaat over capaciteit, niet over kosten. Als modellen zichzelf kunnen verbeteren met minder menselijk toezicht, zou de economie van AI-ontwikkeling kunnen verschuiven, waardoor het goedkoper wordt om hogere prestaties te bereiken en mogelijk het tempo van releases te versnellen.
Toch roepen zelfverbeterende modellen vragen op. Een model dat zijn eigen trainingsdata genereert, kan zijn eigen gebreken versterken, een probleem dat bekend staat als modelinstorting. De methode van Tencent leunt op taken met verifieerbare antwoorden, wat de domeinen beperkt waarop het kan werken. Creatief schrijven, open-ended redeneren en planning in de echte wereld zijn moeilijker automatisch te controleren. Het bedrijf heeft niet gezegd welke producten of toekomstige Hunyuan-modellen de techniek zullen gebruiken.
De bredere context is een Chinese AI-markt die zowel drukbevolkt als creatief is geworden. Startups en giganten experimenteren met agentische systemen, zoektools en persoonlijke assistenten. Terminal-RSI van Tencent past in dat patroon: een onderzoeksdoorbraak die kan doorstromen naar producten, van clouddiensten tot consumenten-apps. Voor wereldwijde waarnemers is het een herinnering dat de Chinese AI-vooruitgang niet alleen gaat over het inhalen op ruwe schaal, maar ook over het vinden van nieuwe manieren om modellen te trainen en in te zetten.
Wat er daarna gebeurt, hangt af van resultaten. Tencent heeft weinig details over benchmarks gepubliceerd, en onafhankelijke verificatie zal belangrijk zijn. Maar de richting is duidelijk. Chinese labs volgen niet langer alleen; ze dragen hun eigen antwoorden aan op het moeilijkste probleem in AI, namelijk hoe je modellen slimmer maakt zonder zonder data of geld te komen zitten.