你是否想过，有一天写论文、调模型、改代码不再需要熬夜盯屏幕？autoresearch 是由前特斯拉 AI 总监、OpenAI 创始成员、现 Stanford 研究员 Andrej Karpathy 发起的革命性开源项目——它把整个 LLM 训练流程交给 AI 代理自主运行：从修改训练脚本、启动单卡训练、评估指标变化，到自动保留最优方案，全程无需人工干预。它不追求超大规模算力，而是在一台消费级 GPU（如 RTX 4090）上，让 AI 像人类研究员一样“试错—学习—迭代”，真正实现「凌晨两点，你的模型在替你做实验」。
核心功能
- 全自动实验闭环：AI 代理读取 Markdown 格式的「研究计划」（
program.md），自主修改 Python 训练代码、启动 nanochat 风格的轻量 LLM 训练、运行 5 分钟快速验证，并基于 loss/accuracy 自动决策是否采纳变更 - 人机协作新范式：你不再直接编辑
train.py或model.py，而是用自然语言编写和迭代「研究指令」——比如“尝试将 dropout 从 0.1 提升到 0.3 并观察验证集困惑度变化” - 单 GPU 友好设计：基于 Karpathy 自研的 nanochat 极简训练框架，所有实验均可在一块显卡上完成，零门槛复现，学生党、个人开发者、小团队轻松上手
- 可追溯的实验日志：每次修改、每次训练、每次评估结果均自动生成结构化日志与可视化进度图（如 README 中的
progress.png），告别混乱的 terminal 复制粘贴 - 渐进式智能演进：支持多轮 agent 协作——例如一个 agent 负责提出假设，另一个负责编码实现，第三个负责评估分析，形成微型「AI 研究实验室」
- 开箱即用的基线模板：默认
program.md仅含最简指令，但清晰展示了如何定义目标、约束条件、评估标准和终止策略，是学习 AI 自主科研的最佳入门沙盒
适合哪些人用
如果你是高校研究生（尤其 NLP/LLM 方向），想快速验证训练技巧却苦于反复改代码；如果你是算法工程师，希望在上线前用低成本方式预筛超参组合；如果你是技术教育者，想带学生理解「AI 如何思考科研问题」；甚至如果你是好奇的技术爱好者，拥有一台带独显的笔记本——autoresearch 都是你接触下一代 AI 科研范式的最佳入口。它不替代深度思考，而是把重复劳动交给机器，把创造力还给人类。
快速上手
只需三步：
① 安装依赖：pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121（CUDA 12.1）+ pip install transformers datasets；
② 克隆项目：git clone https://github.com/karpathy/autoresearch && cd autoresearch；
③ 启动自动研究：python run.py（首次运行会自动下载 tiny llama-1b tokenizer 和 toy dataset）。你只需修改 program.md 中的自然语言指令，其余全部交给 AI 代理——睡一觉，早上查看 logs/ 目录下的实验报告即可。
项目信息
AI agents running research on single-GPU nanochat training automatically
64.5k
Stars
9.2k
Forks
Python
—
编程语言：Python｜Star 数：64538｜开源协议：未明确声明（建议使用前查阅仓库 LICENSE 文件）｜GitHub 项目地址
这是开源界少有的、兼具思想高度与工程落地性的“未来科研操作系统”雏形——不是玩具，也不是 Demo，而是 Karpathy 用代码写给下一个十年的一封邀请函。
