智谱完成三轮融资，累计净募约755亿港元。最新一轮335亿元中，六成重金押注"完全自训练"——数据自产、环境自造、基础设施自我优化三维闭环，剑指AI递归式自我进化（RSI）
我看这次智谱融资，最值得关注的是资金用途透露出的技术路线：下一代模型不仅要完成更多任务，还要参与生产训练数据、构建训练环境、优化运行系统。财务公告提前勾勒了GLM-6.0的方向。
但要分清楚：这是研发计划。按素材所述，模型和论文尚未发布，“完全自训练”能否形成有效的自我改进闭环，还需要结果验证。
完全自训练，要把模型接入自身的生产过程
智谱给出的定义是：下一代GLM在上一代GLM搭建的环境中训练，形成递归式自我改进，也就是RSI。这个闭环分为三层。
第一层是数据自产。通过模型对弈、规则校验、执行验证、模型评审和人工抽检，生成并筛选训练数据，再回流到预训练、中训练和后训练。这里仍然保留了人工抽检，“完全自训练”不能简单理解为完全脱离人。
第二层是环境自造。让智能体采集真实任务、尝试执行、生成验证器、检查任务是否可解，把任务环境变成可以批量生产和反复使用的训练资源。
第三层是基础设施自我优化。模型利用编码和系统工程能力，参与优化算子、内核、调度、缓存和服务栈，逐步改进支撑自己训练与推理的系统。
我认为，关键在于这些环节能否互相促进：更强的模型生产更好的训练资源，更好的资源再训练出更强的模型。仅仅增加合成数据量，还不足以证明这个闭环成立。任务是否真实、验证是否可靠，会直接影响改进的质量。
GLM-6.0的目标延伸到长程专业工作
公告还列出了下一代模型的能力方向：提升有效规模和原生多模态统一建模能力，在不过度增加推理成本的前提下，加深有效计算深度，支持更长的推理、规划和自我校验。
另一个重点是长程任务强化学习。训练环境要贴近真实专业工作，让模型学会拆解任务、调用工具、与环境交互、从错误中恢复，并验证最终结果。
在我看来，这意味着评价模型的重心进一步转向完整工作的交付。回答一次问题只是其中一环；面对多步骤任务，能否持续执行、及时纠错、确认结果，才决定它能承担多少实际工作。
这也解释了环境自造的重要性。要训练模型完成复杂工作，就需要大量可以执行、可以反馈、可以验证的任务环境。
六成资金同时押注模型能力与运行效率
据素材转述的公告，本轮通过配售新H股和发行201.4亿元人民币零息可转债，预计净募约393亿港元，报道折合约335亿元人民币。其中约60%、即235亿港元，投向下一代GLM、“完全自训练”体系及训练、推理和算力基础设施。
我关注的是，这笔投入同时覆盖能力提升和成本效率。智谱计划采购与租赁算力，推进芯片适配、集群互联和性能调优，也要投入自研推理引擎与服务栈，争取在同等硬件条件下提高吞吐、降低成本。
模型要执行更长的任务，运行效率就会更加重要。推理、工具调用和自我校验越多，单次工作的资源消耗越需要控制。
剩余资金中，约15%用于业务拓展、战略投资和潜在并购，支持MaaS、API、Coding Plan以及Agent、Co-work相关产品；约25%用于优化资本结构和补充运营资金。全部所得款项预计在2028年6月30日前动用。
潜在投资对象的条件也值得留意：经营不少于两年，有可靠的用户或客户群，具备成熟产品或技术平台及持续研发能力。这显示其扩张计划也在寻找已有业务基础的资产。
密集融资背后，是部署周期与资金消耗的竞赛
素材列出的三轮融资，合计净募约755亿港元：1月IPO约48.96亿港元，7月配售约313.75亿港元，再加上本轮预计约393亿港元。这里包含尚以预计净额表述的最新一轮，不能把累计数字直接当成全部已经到账的资金。
资金使用速度同样醒目。截至8月底，IPO所得款项已全部使用，7月配售所得款项已动用约34.92%，约109.55亿港元，尚余约204.2亿港元。
公司给出的解释是业务推进加快、资金使用提速，而算力从签约到部署需要周期，因此要提前融资，让新增算力与扩张计划衔接。
资本市场给出的价格却有明显变化：IPO发行价为116.20港元，7月配售价升至1,588港元，本轮配售价降至714港元。融资能力很强，融资价格也在波动，这两件事需要同时看。
可转债条款还提到公司预期在上海证券交易所科创板上市，透露出A+H布局意向，但素材没有给出确定的上市时间表。
我的判断是，智谱正在同时推进三件事：让模型参与自身迭代，建设支撑长程任务的算力与推理体系，再通过产品和业务扩张承接这些投入。接下来最值得观察的，是自训练带来的能力增量、完成真实任务的可靠性，以及交付这些任务的成本。融资规模说明投入力度，这三项结果才决定投入的价值。