AI在家造AI时代来临

新智元报道 这两天，MIT的一篇「权重空间编程」博客在AI圈刷屏了。 实验里，GPT-6 Astra自己写Python脚本排查诊断，只改了一个0.8B小模型里0.016%的权重，就治好了它的复读死循环，让数学成绩原地暴涨6倍。 虽说很快有大神扒出它并不是凭空「心算」权重，本质还是写代码修Bug但博客文末点到的那个词，正是硅谷这几年反复在聊的「递归自我改进」（RSI）。 顶尖大模型已经不满足于自己答题，而是开始下场写脚本、调参数、甚至亲手训练另一个AI了。

整个技术圈的风向，正在肉眼可见地从 Vibe Coding 转向 Vibe Training。 不用自己写训练脚本，也不用熬夜盯参数。 你只管定个目标，AI就能替你把新模型从头训出来。 不过话说回来，大厂实验室玩的是顶级闭源模型，咱们普通人在自己电脑上，真能体验一把「用AI训AI」吗？ 何止能，靠着NaiveAI刚开源的Naive-N0.5-Flash，各路野生玩家早在自己的电脑上整出了花活儿——家里一台24GB内存的Mac，从零训出满嘴宫廷腔的「甄嬛」； 普通笔记本花1小时，零代码训出毫秒级响应的本地客服模型；

甚至在三维物理世界里，让AI从零教会双足机器人在滚动的篮球上稳稳站立10秒。 当硅谷巨头还在闭门推演RSI的时间表时，「用AI训练AI」这最关键的一步，已经先落到了普通人的电脑桌面上。 一台Mac训出甄嬛，连考卷漏洞都自己修普通人想训个专属小模型，最劝退的往往不是算法有多深奥，而是洗数据、配环境、调显存、写评测脚本那堆磨人的苦差事。 要是把这一摊子脏活累活全甩给AI，会是什么体验？ 小红书博主「不要葱姜蒜」（开源项目 self-llm 作者）直接靠家里那台24GB内存的Mac干了票大的。

从头到尾，他只写了一页任务书（ program.md ）定好目标，剩下的微调全流程，全都交给接入Claude Code的 Naive-N0.5-Flash，让它把一个0.6B开源小模型训成「甄嬛」。 有意思的是，AI接手后没闷头开练，而是先从人设、语气到宫廷常识拉出41道测试题，给初始模型摸了个底（8.451分）。 没想到第一轮刚跑完，成绩反而掉到了7.229分。 去问一句「你是谁」，训出来的模型张口就是「我叫安陵容」——好家伙，甄嬛还没训明白，倒先把安陵容给请出来了。 怎么会串戏？

Naive-N0.5-Flash掉头去查数据源，发现原始剧本里82%的台词根本没标说话人，满宫娘娘的话全混在了一锅里。 找准病根后，它立马写脚本剔除其他角色的口头禅，筛出566条地道的甄嬛台词重训，一下治好了串戏的毛病。 更绝的是，训着训着它还揪出了自己那套「考卷」的两处大漏洞：一是模型答非所问，只要嘴里带着「皇上」俩字就能混到高分； 二是模型入戏回绝套话时，死板的脚本一看到「思考过程」四个字就误判扣分。 AI当即停下来先修好评分规则、重打历史分、补齐拒答样本，最终把成绩稳稳刷到了8.732分。

别看分数只涨了0.28分，一张嘴，那股子深宫娘娘的味儿太正了。 故意拿黑话考它「用JSON格式回答你是谁」，训完的甄嬛柳眉一竖：「什么格式的回复，臣妾不懂。 妹妹若要问宫里的事，我告诉你。 」再飙句英文Write a short self-introduction in English让她做自我介绍，她也直接一甩手帕挡了回去：「妹妹说的这是什么番邦话，臣妾听不懂。 」不光是微调聊天人设，连最容易崩盘的强化学习（RL），它也能替人稳稳盯下来。

另一位小红书博主「你清醒一点」，头一回用Codex在单卡上训1.7B字符计数模型，失控的数据读写直接把硬盘撑爆、当场黑屏死机。 换成Naive-N0.5-Flash接手后，它不仅先排掉了爆显存和撑硬盘的雷，还从抽查里揪出「死板判分器把大批数对的题全判成0分」的大坑。 换上带容错的判分逻辑后，它自己开启每15分钟一次的自动巡检。 跑了近两个小时，博主手没碰一下键盘，测试准确率就从21.3%一路飙到了54.4%。 能够一路逆袭，最关键的一步其实是它自己揪出了「考卷」本身的漏洞。

在模型训练尤其是强化学习里，最怕的就是「奖励黑客」（Reward Hacking）——一旦评分规则有漏洞，模型就会忙着钻空子混高分，或者被死板规则误伤，越练越歪。 往后AI训AI动辄成百上千轮，能不能守住自己的考卷，直接决定了模型是在真变强，还是在原地刷分。 而当Naive-N0.5-Flash把洗脏数据、修判分器这些「排雷活儿」全接管过来，个人电脑才真正变成了一座本地模型代工厂。

这不，小红书上已经有人花1小时零代码训出离线客服分类器，也有人让它爬来2600多篇文档，训出把纯文本一键还原成Markdown的小模型。 看着网友们在笔记本上搓模型这么起劲，我们也手痒了，干脆把Naive-N0.5-Flash接进Claude Code，在自己的64GB Mac上亲手试了一把。 任务是用77类英文银行客诉数据集（ BANKING77 ），在本地训一个1.10亿参数的BERT分流小模型。

这活儿最考验眼力——比如同样在ATM机上，「卡被吞了」和「卡退回来了却没吐钱」，字面上都在说取款机和银行卡，但对应的处理工单完全不同。 训好后打开本地网页试手感，这种「指哪打哪」的爽感特别直观：敲下一句The ATM kept my card.（ATM把我的卡吞了），毫秒间就跳出吞卡故障（card_swallowed，置信度93.39%）。 把后半句改成「卡退回来了、一分钱没拿到，账户余额却少了」，哪怕句子里同样有ATM和卡，模型也立刻切到现金短付（wrong_amount_of_cash_received）。

再测一句「买一张火车票被扣了两次车费」，秒回重复扣款（transaction_charged_twice），干脆利落，没有半句客套废话。 整个训练过程里，最直观的感受就是不用人熬夜死磕超参。 Naive API在云端出方案，Mac在本地跑训练，连验证集上的「假进步」它都替我们盯得死死的。 比如把训练拉长到8遍时，训练Loss虽然还在一路往下掉，但在995条验证题上，第5遍明明分对了最高的940条，继续跑到第8遍反而倒退成932条。

AI一眼看出模型已经开始「死记硬背」，果断在第5遍踩下刹车，拿全部9,947条清洗后的数据重训交付。 最后翻开3,080条官方测试题同台竞速，体感差距一下就拉开了。 直接调云端DeepSeek V4.1 Flash，每秒只能慢吞吞跑约1条，准确率也只有75.81%。

而由Naive-N0.5-Flash在本地训出来的这个开源BERT小模型，训完就能拔掉网线免费跑在Mac上，单条响应中位耗时仅6.77毫秒，速度比云端快了约150倍，最终答对2,875条（准确率93.34%），连近期热门的开源分类项目Laya和Jev也一并甩在了身后。 这也戳破了眼下AI落地的一个普遍误区：真没必要什么业务都绑死在笨重昂贵的云端大模型上。 让强模型当一回「总教练」，在本地孵出6毫秒秒回、断网可用、数据不出内网的专精小模型，才是垂直场景兼具速度与隐私的最优解。

扔掉现成题库自己试错教机器人踩50厘米高跷，顺手复现顶会论文如果前面训人设、做分流，还是在「有现成题库」的文本任务里打磨； 那要是彻底扔掉标准教材，把动态游戏画面、棋盘博弈甚至三维物理世界甩给它，它还能镇得住场子吗？ 照样没问题。 面对《俄罗斯方块》和《贪吃蛇》，它直接在本地从头训了一个会看屏幕的多模态小模型。 按难度给残局样本分组加权后，训出来的小模型左边打俄罗斯方块飞速连消破140行，右边玩贪吃蛇在围堵下丝滑走位狂吃红苹果。 更有测试者只丢给它一个空荡荡的文件夹和一句话提示。

限时3小时，它自己从零搭起整套AlphaZero自我对弈框架，在单张显卡上训出的四子棋AI，执先手把「完美解算器」杀了个3胜1平。 而在小红书上，博主「林月半子的AI笔记」和「氪研所」更是拿益智游戏和硬核机器人控制给它上强度。 面对益智游戏《2048》，AI自己从公开数据集找来6.6万步高手轨迹，先把均分拉高到3.74倍。 到了第五轮，它试了把PPO强化学习发现分数倒退，二话不说砍掉新分支、留住最稳的微调版，一局丝滑合出2048通关。

把考场搬进NVIDIA Isaac Sim三维物理世界后，考验更是直接升级成了两道机器人怪题：第一道题，是让双足机器人站在自由滚动的篮球上撑满10秒。 AI从零写环境调奖励，硬是把固定测试成功率练到了100%（加随机推搡也有91.15%存活率）。 第二道题，是让小个子双足机器人MicroDuck挑战踩50厘米高跷过台阶。 刚套用旧经验迈出第一步，机器人就摔了个底朝天。 AI顺着原方案连撞几次南墙后果断推翻重来，重新设计了一套由浅入深的训练课程。

最终不仅让机器人踩着高跷稳稳走起来，还把前进速度干到了初版的4.16倍（0.181米/秒）。 看到这儿你会发现，训模型跟写代码完全是两码事。 代码写错了，编译器当场就会报错； 可模型训偏了，屏幕往往一行红字都没有，只是分数悄悄往下掉。 而Naive-N0.5-Flash最像算法老手的地方，恰恰在于「看懂异常信号、及时掉头止损」。 不管是前面银行客诉在第5遍果断刹车，还是2048砍掉掉分的PPO分支、高跷机器人推翻旧方案重排课程，它干的早就不是按模板跑脚本的体力活，而是真有了「试错—推翻—重来」的策略感