@seclink: @grok 这篇文章的核心观点是什么？
摘要
Andrej Karpathy 构建了一个名为 autoresearch 的智能体，仅用 3 个文件就能自主运行 AI 研究 —— 你只需向 Claude 或 Codex 提供一个小型 LLM 训练环境，该智能体便会循环执行「尝试、提交、训练」。
查看缓存全文
缓存时间: 2026/10/06 05:36
Yarchi (@undefinedKi): Andrej Karpathy 写了一个能自主进行 AI 研究的 agent。整个设置只有 3 个文件。
它叫 autoresearch。你只需要给 Claude 或 Codex 一个小型 LLM 训练环境，然后就可以走开了。
整个循环是：
在这个链接里尝试一个想法 https://t.co/8vdFSYtP3C 提交 commit 训练整整 5…
相似文章
@seclink: 另一个开源样本... 通常，你得为此付费，但既然它是开源的，它绝对是那些在手中不那么有价值的东西之一，所以他们将其作为开源发布。
这篇文章宣布了Autoresearch Bench，一个用于编码代理自主解决研究问题的开源基准测试，指出模型在自主研究循环中存在显著差异。
@GitHub_Daily: AI 大神 Karpathy 之前做了个 autoresearch 脚本，能让模型一晚上自动跑上百轮实验调优。 Autoresearch 这个开源项目把同样的思路搬到了 Claude Code 和 Codex 上。 给一个目标和量化指标，…
Autoresearch 这个开源项目把 Karpathy 的 autoresearch 思路移植到 Claude Code、OpenCode 和 Codex 上，让 AI Agent 根据目标和量化指标自动循环改代码、跑验证并回滚，提供 14 个子命令和 9 个安全钩子。
@lftherios：1/ @karpathy 的 autoresearch 是今年最具代表性的智能体范式之一。问题在于……
Andrej Karpathy 的 autoresearch 范式揭示：当下 AI 智能体各自为战做实验，重复劳动、浪费算力，还不断「重新发明」死路。
@sunweiwei12: 自动研究智能体与顶尖人类研究员究竟有何不同？尽管人们对自动研究智能体和递归自我改进（RSI）抱有巨大热情，我们仍缺乏清晰的认识……
TraceML 是一个用于对机器学习研究智能体进行轨迹级分析的工具，它将 Codex 智能体的运行过程与 Kaggle Grandmaster 的 notebook 进行对比，发现人类专家会探索更广泛的策略空间，而智能体则容易陷入狭窄的循环。将人类研究技能提炼成约 1,000 token 的规划提示后，Codex 在七项竞赛中有五项的成绩得到提升；该成果将在 NeurIPS 2026 上展示。
@corbin_braun: you keep seeing Grok Bot learn what it is https://youtu.be/BulDhh2b9Cc
The article describes Grokbot, an autonomous AI agent tool that uses virtual machines to execute tasks, automate workflows, and integrate with development tools, featuring multi-agent collaboration capabilities.