autoresearch
AI Agent 自主运行 LLM 训练研究 · Karpathy 出品
🧠 深度学习
⚡ 单GPU
🔬 自动研究
📌项目简介
autoresearch 是 AI 大神 Andrej Karpathy（前 Tesla AI 总监、OpenAI 创始成员）开源的颠覆性项目——让 AI Agent 在单张 GPU 上自主运行深度学习实验，自动修改代码、训练模型、评估结果，通宵跑完 100+ 实验，早上起来收报告。这不是科幻，是现在就能用的真实工具。
⚙️安装要求和过程
单张 NVIDIA GPU（测试过 H100）、Python 3.10+、uv 包管理器
# 1. 安装 uv（如果还没有）
curl -LsSf https://astral.sh/uv/install.sh | sh
# 2. 安装依赖
uv sync
# 3. 下载训练数据 + 训练 BPE 分词器（一次性，约2分钟）
uv run prepare.py
# 4. 手动跑一次训练实验（约5分钟）
uv run train.py在仓库目录下启动 Claude Code / Codex 等 AI Agent（关闭所有权限确认），然后发送提示：
Hi have a look at program.md and let's kick off a new experiment!
let's do the setup first.没有 H100？社区已有 macOS、MLX、Windows RTX 等 Fork，MacBook 也能跑！
⭐核心功能
Agent 自动修改 train.py，训练5分钟，检查 val_bpb 是否下降，保留或丢弃改动，不断迭代。你只需要睡前启动，早上收实验日志。
每次实验固定5分钟（wall clock），不管 Agent 怎么改模型架构、batch size，所有实验都可直接对比。约12次实验/小时，通宵可跑100+次。
整个仓库只有3个核心文件：prepare.py（固定）、train.py（Agent 修改）、program.md（人类修改）。diff 清晰可审查，不会失控。
Claude Code、OpenAI Codex、Gemini CLI、OpenClaw……任何能读写文件的 AI Agent 都能用。program.md 本质上是一个超轻量级的”技能提示词”。
macOS（M系列芯片）、Windows（RTX显卡）、MLX框架均有社区 Fork，低配设备也能体验 AI 自主研究。
🚀典型使用场景
🌙 场景一：夜间自动实验
下班前启动 Agent，让它通宵自主实验。第二天早上，你会收到一份完整的实验日志，记录每次改动、训练曲线和验证集效果。相当于白得一个不知疲倦的研究生。
🔬 场景二：快速模型架构探索
想尝试不同的注意力机制、优化器组合或模型深度？让 Agent 在固定时间预算内自动探索各种组合，快速找到最优配置，省去大量手工调参时间。
📚 场景三：学习深度学习最佳实践
即使是深度学习初学者，也可以阅读 Agent 的修改记录和实验日志，从中学习哪些改动有效、哪些无效，快速积累建模经验。
💡推荐理由
Karpathy 出品，必属精品。autoresearch 最震撼的地方在于它把”AI 做 AI 研究”从科幻变成了现实——而且代码极简，整个训练代码只有一个 train.py，清晰到可以作为学习材料。
固定5分钟时间预算的设计非常巧妙：不管怎么改模型，每次实验成本相同，结果可直接对比。这让 Agent 的”研究”变得可解释、可复现，而不是黑盒魔法。
⚠️ 注意：目前官方版本需要 NVIDIA GPU，低配设备建议使用社区 Fork。但无论如何，这个项目代表的”AI 自主研究”方向，值得每个 AI 从业者关注和思考。
📦下载地址
GitHub 仓库：https://github.com/karpathy/autoresearch
社区 Fork（macOS）：https://github.com/miolini/autoresearch-macos
社区 Fork（Windows RTX）：https://github.com/jsegov/autoresearch-win-rtx
Karpathy 推文介绍：https://x.com/karpathy/status/2029701092347630069
🔔 关注我们，每周分享最新 AI 开源项目！
GitHub 热门 AI 项目持续更新中…