9 月 17 日，Z.ai 发布技术文章《Toward Recursive Self-Improvement：GLM 如何构建自己的推理基础设施》，披露了一条不寻常的吞吐曲线：旗舰开源模型 GLM-5.3-Flash 的生产推理，全部跑在超过 10 万枚国产 AI 加速器组成的集群上，从系统跑通到生产就绪用时不到两周，端到端吞吐从初始基线的 1.00 倍一路提升到 3.22 倍。而做优化工作的主力，是一个由 GLM-5.3 自身驱动的 Infra Agent——模型参与了优化服务自己的那套系统。
先把工程背景摆出来，才知道这两周有多紧。官方描述的硬约束包括：国产加速器单卡内存与互联带宽受限；软件生态的算子支持不完整、不少文档缺失只能从底层原理自行推导；模型本身是新架构，要处理最长 100 万 token 的上下文与多模态请求。系统层的落点也很具体：线性注意力与语言模型头的节点内张量并行、ReplaySSM、混合 INT8/FP8/BF16 缓存量化、编码-Prefill-Decode 分离的 EPD 架构——每一项都是计算、显存、通信、调度之间的取舍。
Infra Agent 的分工被讲得很清楚：人负责定目标、搭反馈环境、审查高风险修改（审查范围覆盖数值语义、并发行为与生产风险）；智能体负责分析系统栈、提出假设、产出内核补丁与栈层改动。CEO 汤筠在帖子里点出了要害：智能体卡住的原因很少是不会写代码，而是「端到端吞吐降了 20%」这样的信号不告诉它问题出在哪一层、下一步该验证什么假设——这是一个稀疏奖励下的信用分配难题，何况每次全量基准要跑数小时。
Z.ai 的解法叫密集反馈（dense feedback），把三层信号接进同一条迭代链：正确性反馈管结果算没算对，系统行为反馈管时间耗在哪个环节，性能反馈管哪个方案在什么条件下更快。三个条件缺一不可：信号要贴近具体内核与代码路径，获取要便宜到假设提出后能快速返回，结果要能通过参考实现或受控实验核验。智能体由此可以先把局部变化验证清楚，再决定要不要进完整服务测试。
三个落进上游的修复案例让这套流程有据可查。其一，KDA 上下文并行路径的精度漂移：序列变长后 TF32 舍入误差在连续状态矩阵合并中累积，问题定位到 Flash Linear Attention，相关修复已合入上游第 1180 号 PR。其二，KV 传输没有与 DeepEP 调度重叠，智能体沿着 Python 与 C++ 的调用链追到节点内路径未释放 GIL 的环节，修复后传输开销从 30% 以上降到 1% 以下。其三，一个 Decode 内核因分块方式重复计算同一归一化四次，重构后拿到 1.71 倍加速——优化思路来自智能体通读 SGLang、Flash Linear Attention、DeepGEMM 等项目后整理的「优化骨架」。
公司把这件事称为递归自我改进（RSI）最小闭环的出现，但边界也划得明白：模型没有训练自己，没有改自己的权重，做的是编写、测试与验证「服务自己的那套代码」；目标选择、边界设定与高风险审查仍然由人完成。文中还回溯了一条轨迹：2025 年 10 月起 GLM 被用于强化安全能力，不到一年内安全伙伴用它挖出数千个真实漏洞，公司为此设计了可信访问计划。新模型发布前，系统还以 Ox-Alpha 的化名在两个开发者平台匿名测试，一周内登顶用量榜、六天处理超 62 万亿 token（公司口径）。
辩证地看：吞吐、成本（官方称单 token 成本已接近主流英伟达 GPU 水平）与 token 数全部是公司自述，未经第三方复核，不同渠道对个别案例细节的转述也有出入，应以官方技术文章为准。「递归自我改进」的说法介于叙事包装与工程事实之间——真正坐实的是把芯片适配周期从以月计压缩到两周这件事，对评估国产算力做大规模推理的团队，这是一个值得拿自家负载去复测的数据点，而不是一句口号。目前官方及行业暂未披露更多细节，后续将持续跟进迭代动态。