cHHillee 谈 Tinker 护城河:软件调优非壁垒,算力聚合才是

cHHillee · x · 2026-09-22

cHHillee 回应 Patrick Toulme 关于后训练服务能否成为护城河的争论。他不认为 kernel 层面的 MFU 优化是显著优势,但强调 ML 基础设施受益于需求聚合:对 Kimi K3 这类模型,最高效的方案可能涉及 PD 分离(prefill-decode disaggregation)+ wide EP 等架构。Toulme 则认为租 GPU 是护城河,但 MFU 调优软件不是——今天需要大量调参工时,未来模型未必如此,取决于 RSI(递归自我改进)进展。cHHillee 还补充:Tinker 这种「后训练即服务」对 AI 自我改进其实很抗替代,大规模 RL 后训练基础设施需要大量 GPU 时数和 token 投入。