以下为上游提供的源文稿，可能存在识别错误。
乔木转写是基于源文稿的中文提炼，不是逐字翻译。请核对原文中的人名、数字与观点。
选一篇，慢慢读
从左侧挑一篇，正文会在这里排成书页。
While Recursive Self-Improvement (RSI) accelerates isolated algorithm and kernel synthesis, distributed LLM training depends on tightly coupled launch settings, operator kernels, and communication schedules, where single edits often hit out-of-memory (OOM) boundaries, compiler conflicts, measurement jitter, or silent n
阅读原文 · InfraRSI Team, Yuchuan Tian, Haocheng Mei, Ye Yuan, Chao Xu, Boxun Li, Guohao Dai, Kai Han, Allen Chen, Yunhe Wang, Yu Wang
向阳乔木 · opencode-go/deepseek-v4.1-flash
训练大模型的成本，很大一块不在算法，而在基础设施调优。InfraRSI 想做的事，是让 AI 自己动手改训练基础设施，并且改完还能验证确实变快了。 这篇值得看的地方在于，它没有停留在“让模型写个 kernel”这种单点优化上。分布式训练里，启动参数、算子实现、通信调度是绑在一起的，动一处就可能 OOM、编译冲突、测出来数字抖动，甚至悄悄跑出数值偏差。 这篇论...