正在打开每日关注
正在打开每日关注
视频介绍 autoresearch：让 AI 代理在单 GPU 上反复改训模型、评估并保留改进结果，重点在于用 program.md 组织自动化研究流程。
DREADM The idea modifies in the ma GPU imp Would as agentsa bare bon achieves project 尊 想法 是 : 果 是 否 改 是 program 意 保持 为 于 这 个 项 Howi The repo 仓库 被 刻 pr 扩 人 2 帮 我 提升 模型 的 性 能 | 5 VE 评估 一 >
视频展示的 autoresearch 是一个小型自主研究实验框架：人类通过 program.md 给 AI 代理提供上下文和指令，代理则编辑 train.py、执行训练、比较指标，并决定保留或丢弃改动。
OCR 显示其训练代码是 nanochat 的简化单 GPU 实现；仓库刻意保持很小，核心涉及 prepare.py、train.py 与 program.md。训练以固定 5 分钟预算运行，并以 val_bpb 作为比较指标，降低不同词表大小带来的直接可比性问题。
把可变研究空间集中到单一训练文件，并把实验目标、边界和组织方式写入 Markdown，有利于获得可审计的实验日志，也便于逐步增强代理协作策略。
视频中的 Star 数、模型规模和性能对比未被 OCR 直接验证，不能据此判断项目热度或效果。自动迭代也只是在预设训练装置与指标内搜索，仍需人工审查数据、评估指标、代码变更和复现实验。