AutoResearch
PulseAugur coverage of AutoResearch — every cluster mentioning AutoResearch across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
作者使用Claude构建自我改进AI，推动技术民主化
一位Wired的作者尝试使用Claude等AI模型来创建能够自我改进的AI系统，证明了这项能力并非大型前沿实验室的专属。通过使用AutoResearch和Prime Intellect等工具，作者成功训练了能够随着时间自主提升性能的小型、专业化模型。这种方法预示着AI开发民主化的未来，将催生大量专业化智能，而非单一的、占主导地位的AI。
-
Sakana AI 的 Fugu-Ultra 智能体自主优化机器学习训练和文本重建
Sakana AI 开发了 Fugu-Ultra，这是一种能够自主改进机器学习训练配方的 AI 智能体。在一项实验中，Fugu-Ultra 在一台 H100 GPU 上迭代编辑了训练代码，并在 14 小时内运行了 123 次实验，取得了比三个前沿模型更好的平均每比特字节 (BPB) 分数。在另一项独立测试中，Fugu-Ultra 在重建古典日语文本的阅读顺序方面表现出卓越的性能，其 NED 分数达到 0.80，而其他模型的得分均低于 …
-
AI研究系统获得面向失败的内存以提高性能
研究人员开发了一种新颖的“负知识内存层”，旨在改进AI辅助研究系统。该系统将失败的尝试转换为共享库中的结构化、类型化记录，下游代理可以接受或拒绝这些记录。在ScienceAgentBench和复杂的PDE问题上的评估表明，这种负知识方法优于标准的AutoResearch基线，并在其他方法失败的情况下成功完成了任务。研究结果表明，显式维护结构化的负知识对于在AI参与的研究中建立集体科学记忆至关重要。
-
AI工程演进：“Loopcraft”取代提示工程
AI工程正从提示编写转向设计自主循环来管理AI代理。这一被称为“loopcraft”的概念，涉及创建迭代提示AI模型、测试其输出并优化其流程的系统。Anthropic 的 Peter Steinberger 和 Boris Cherny 等关键人物提倡这种方法，强调提示系统设计而非单个提示。支持性基础设施和工具的发展使得这一转变成为可能，Andrej Karpathy 的“autoresearch”项目就是一个例子，该项目使用自然语言…
-
人工智能凸显医疗保健数据模式的缺陷，要求采用新方法
医疗保健现有的数据模式，为计费和效率而构建，无意中将健康感知限制在离散事件而非连续信号。人工智能在定义空间内持续优化的能力，正如Andrej Karpathy的AutoResearch所展示的那样，凸显了这些被称为“program.md”的数据模式的关键重要性。如果这些数据模式存在缺陷，人工智能将有效地优化错误的结果，这突显了需要能够识别和学习当前数据本体论局限性的系统。