标签
AutoTrainess 提出了一种语言模型智能体框架，通过将人工工作流外部化为明确的接口（包括规划、数据准备、训练、评估和日志记录）来自动化后训练过程，在 PostTrainBench 上相较于仅 CLI 的基线实现了显著提升。
NVIDIA与卡内基梅隆大学（CMU）和加州大学伯克利分校（UC Berkeley）共同开发的ENPIRE框架，利用AI编码智能体自主训练机器人执行高精度物理任务（如GPU安装），通过闭环反馈和真实硬件测试实现了99%的成功率。
EvoTrainer提出了一种自主训练框架，通过经验反馈协同进化LLM策略与训练框架，在数学推理、代码生成以及长期软件工程任务上超越了人工设计的强化学习基线。
一种在单个消费级GPU上自主训练Transformer语言模型的方法，分为六个阶段，设有验证门和AGENTS.md规范，适用于OpenClaw等编排框架。