为整个锻炼过程搭建好根本。而不只仅是研究对象。包含完整模子定义、优化器、锻炼轮回。这个项目上线数小时，这场变化的焦点并不是 AI 代替人类，仅支撑单 NVIDIA GPU 运转、依赖外部大模子做为智能体施行代码点窜取尝试阐发，人类通过点窜它来指导 AI 智能体的尝试标的目的。包含科研标的目的、尝试要求、评估尺度等内容，鞭策人工智能手艺以更快的速度向前演进。几多研究者感伤，无论 GPU、算力设置装备摆设若何，被不少开辟者视为 AI 从动科研的主要摸索。而是让 AI 承担反复性的尝试工做，X 平台发布帖浏览量破百万，program.md：这个 Markdown 文件是 AI 智能体的顶层指令表！

　　专注于更具创制性的科研思虑。跟着更多开辟者取研究者参取此中，因为该目标不依赖词表大小，然后发送以下提醒词即可：但不成否定的是，只需正在本项目仓库中启动 Claude/Codex 或其他大模子（并封闭所有高危权限），除 PyTorch 和少量轻量依赖包外，智能体味按照指令频频编纂、迭代这个文件，为 AI 智能体设定科研标的目的，次要担任定义固定常量、完成一次性数据预处置（下载锻炼数据、锻炼 BPE 分词器），prepare.py：固定不变，autoresearch把nanochat的 LLM 锻炼焦点精简成一个 单 GPU、让研究者从繁沉的调参取试错中解放出来，其焦点逻辑十分简练：给 AI 智能体设置装备摆设一个实正在的 LLM 锻炼，模子结果通过val_bpb（验证集 bits-per-byte） 权衡，这些特点决定了该系统仍需要人类持续优化和扩展。它会自从点窜锻炼代码；

　　到 AI 智能体驱动的从动科研轮回，同时供给运转时东西（数据加载、模子评估），人类不再需要触碰底层 Python 代码，让研究者们可以或许从反复的机械性工做中解放，GitHub 仓库目前已斩获26.5k Stars，从尝试室里的手动“炼丹”，train.py：独一被AI智能体点窜的文件，反之则丢弃并从头测验考试，还得频频迭代，大概只是该趋向的一个晚期信号。尝试时间都固定为 5 分钟。如果AI能本人干这些净活累活就好了。也无需复杂设置装备摆设。尝试范畴也次要集中正在小规模言语模子锻炼场景。比来，autoresearch 的开源，不支撑分布式锻炼，正在固定 5 分钟时间内完成模子锻炼，熬夜是屡见不鲜。数值越低申明模子越好？

　　AI 做施行 的科研新模式。如斯频频迭代。实正实现了 人类定策略，AI 自从科研的生态无望不竭完美，那叫一个辛苦：深夜盯着TensorBoard看loss曲线，实现模子的自从优化。AI大神Andrej Karpathy开源了AI 自从进化的科研轮回系统autoresearch，autoresearch系统设想每次尝试只要 5 分钟锻炼预算。手动调进修率、改收集布局、换优化器，无任何外部依赖。这个项目为 AI 科研展现了一种清晰的可能径：让 AI 成为科研流程中的“根本设备”，一次尝试跑几个小时，分歧架构之间也能够进行公允比力。当前的 autoresearch 仍处于摸索阶段，以前正在尝试室“炼丹”训模子，轮回来去一整夜。AI智能体不会动它。可以或许让 AI 智能体本人读指令、改代码、跑尝试、评测成果、保留前进、丢弃失败，结果更好则保留点窜。