10万颗国产卡，两周，一个开始优化自己的模型
① 两周跑完一次大规模国产化部署。GLM-5.3-Flash 此次部署运行在超过10万颗国产AI加速器组成的集群上，智谱称这是一次"缺少成熟经验参考"的大规模部署：显存容量和互联带宽双重受限、新架构适配、100万token长上下文、多模态请求，外加国产卡软件生态仍在发育——部分Kernel支持不足，很多资料得工程团队自己摸索。最终结果：端到端服务性能较初始版本提升约3倍，硬件利用率和单token成本接近主流NVIDIA GPU平台。

② 真正的变化不是AI写代码，而是AI看懂系统为什么慢。系统只报"吞吐下降20%"，但不会告诉你是哪一层、当前假设错没错、下一步验证什么。智谱把这个工程判断过程封装成可调用的反馈机制，叫 dense feedback：须贴近具体问题、能快速获得、能用客观实验验证——否则海量日志反而让Agent迷失方向。

③ Agent交出的三个实绩：
KV Transfer：发现未与DeepEP Dispatch有效重叠，沿Python/C++调用链定位到节点内路径未及时释放GIL，额外开销从超30%降到1%以下；
Decode Kernel：发现因切分方式导致同一组归一化计算被重复执行四次，重构后性能提升1.71倍；
长上下文精度：在KDA上下文并行路径中定位TF32舍入误差随序列长度累积导致的状态传播偏差，修复已合入 Flash Linear Attention PR #1180。

④ 方法论比结果更值钱。Agent从SGLang、Flash Linear Attention、DeepGEMM等开源项目中提炼出"optimization skeleton"，再结合当前系统反馈判断是否适用——过去这类经验只沉淀在资深工程师个人身上，现在变成可迁移、可验证的流程。

⑤ 工程侧解法清单：ReplaySSM以计算换内存、节点内张量并行降显存压力、INT8/FP8/BF16混合精度缓存提容量利用率、EPD（Encode-Prefill-Decode）分离式架构让各推理阶段灵活调度。核心不是堆算力，而是在算力、内存、通信、调度之间重新找平衡。

⑥ 真金白银的市场验证：部署后GLM-5.3-Flash以匿名名 Ox-Alpha 上线 OpenCode 与 OpenRouter，一周内成为两平台使用量最高的模型之一，六天处理超62万亿token。

⑦ 边界要说清：唐杰明确表示，距真正意义上的递归自我改进（RSI）仍然很远，人类工程师仍负责设定目标、搭建反馈环境、审核高风险修改。但工程师角色已在迁移——从"直接解决每个问题的人"变成"设计反馈系统的人"。模型优化系统，系统服务模型，一个最小规模的循环已经出现。

一句话：这不是AGI的终点，而是AI第一次成规模地参与优化承载自身运行的基础设施——国产算力缺的从来不只是卡，还有把卡用明白的工程经验，现在这部分经验开始能被模型自己学习和复制。