autoresearch 是 GitHub 星標超過 94,077 顆的開源實驗項目，由 AI 領域指標性人物 Andrej Karpathy 於 2026 年 3 月發布，核心概念是讓 AI Agent 在單張 GPU 上、以固定 5 分鐘的時間預算，反覆修改訓練程式碼、執行訓練並依據結果自主迭代，最終在無人為干涉的情況下自動完成實驗與模型改進；項目採 MIT 開源授權、以 Python 撰寫，工程上是其先前 nanochat 項目簡化後的單 GPU 實現。
autoresearch 是 Karpathy 於 2026 年 3 月發布的開源項目，讓 AI Agent 在單張 GPU 上以固定 5 分鐘預算反覆修改並訓練模型、依結果自主迭代，MIT 授權、Python 撰寫，GitHub 星標逾 9.4 萬。
autoresearch 是什麼？
autoresearch 是 Andrej Karpathy 在 2026 年 3 月發布的開源實驗項目，將「自主研究」具體化為一套可以實際運行的最小可行框架。其公開的目標是讓 AI Agent 頭戴一個小型的真實 LLM 訓練環境，在夜間自動執行實驗：Agent 修改訓練程式碼、訓練 5 分鐘、檢查結果是否改進、決定保留或捨棄，然後重複循環，直到清晨留下完整實驗紀錄與一個「更好」的模型。
autoresearch 是讓 AI Agent 自主做研究的開源框架：Agent 反覆修改訓練程式碼並執行 5 分鐘訓練，依據結果決定保留或捨棄，整晚循環後自動產出更好模型與完整實驗紀錄。
這個項目的特殊性在於它刻意設計得「極度簡潔」，整個 repo 只有三個關鍵檔案：prepare.py（固定常數與資料前處理，不可修改）、train.py（Agent 唯一可以動手的模型與訓練迴圈檔案）、以及 program.md（人類提供給 Agent 的實驗指令）。這套極簡設計讓「自主研究」不再只是概念，而是一個可重現、可比較、可自行迭代的真實實驗場域。
autoresearch 如何運作？
autoresearch 的運作機制圍繞「固定時間預算」這個核心設計展開。每次訓練嚴格限制在 5 分鐘（以牆鐘時間計算，不含啟動與編譯），無論硬體平台如何，實驗時間都維持一致，因此可以直接比較 Agent 對架構、超參數、最佳化器或批次大小所作的各種修改所帶來的效果；評價指標採用 val_bpb（每字節驗證位元數），數值越低越好，且因與詞彙表大小無關，架構性變動也能公平比較。
運作核心是固定 5 分鐘訓練預算，讓硬體差異不影響比較；以 val_bpb（越低越好、與詞彙表無關）作為評價指標，因此 Agent 對架構與超參數的修改都能被公平比較與迭代。
在實務上，使用者只要在這個 repo 中啟動 Claude、Codex 等任何編程 Agent（並關閉其權限），然後下達「看一下 program.md，來啟動一個新實驗」的指令，Agent 就會開始自主循環。由於每次約 5 分鐘，理論上每小時可執行約 12 次實驗，整夜約可完成上百次自動迭代；這種「固定時間、單一檔案、單一指標」的自我約束，正是 autoresearch 能穩定運行的關鍵。
autoresearch 有哪些核心技術亮點？
autoresearch 的第一個技術亮點是「單一檔案修改」的設計哲學。Agent 只被允許編輯 train.py，這個檔案同時涵蓋完整的 GPT 模型、最佳化器（Muon 與 AdamW）與訓練迴圈，無論是架構、超參數還是批次大小都在其可動範圍內；這種刻意收斂的修改範圍，讓每一次實驗的 diff 都清晰可審查，也避免 Agent 的自主行為失控造成不可預期的系統變動。
技術亮點之一是「單一檔案修改」：Agent 僅能編輯 train.py，涵蓋模型、最佳化器與訓練迴圈，讓每次實驗的變更清楚可審查，也防範自主行為失控。
第二個亮點是「時間預算」與「單指標評價」的結合，構成一個乾淨的最佳化迴路。固定 5 分鐘的容量讓比較聚焦在 Agent 的「程式修改智慧」，而非硬體差異；而 val_bpb 這個與詞彙表大小無關的指標，則讓架構等級的變動也能被公平量測，從而使 Agent 能夠真正透過「實驗→評估→保留或回滾」的循環進行自我改進。
第二個亮點是時間預算與單指標結合，構成乾淨的最佳化迴路：固定 5 分鐘聚焦於改碼智慧，vocab 無關的 val_bpb 讓架構變動可公平量測，驅動實驗、評估、保留回滾的循環。
第三個亮點是「人性化程式介面」的創新：人類不再直接改 Python，而是透過編輯 program.md 這個 Markdown 檔案來「編寫研究組織的程式碼」，設定 Agent 的行為與實驗方向。Karpathy 將這個檔案形容為「超輕量的 skill」，讓研究者可以像寫提示詞一樣調整自主研究的策略，這在 AI 自動化研究中屬於相當新穎的互動模式。
autoresearch 與 nanochat 有何關聯？
autoresearch 的訓練程式碼是 Karpathy 先前 nanochat 項目的簡化單 GPU 實現。nanochat 是 Karpathy 推出的開源迷你聊天模型專案，可視為 nanoGPT 精神的延續；autoresearch 從中抽出核心的 GPT 模型與訓練迴圈，去除分散式訓練與複雜設定，聚焦於單一 GPU、單一檔案、單一指標的精簡實驗場景。
autoresearch 的訓練程式碼取自 Karpathy 的 nanochat 項目，做單 GPU 簡化實現，去除分散式與複雜設定，聚焦單一檔案、單一指標的最小自主研究場景。
這樣的設計讓兩者形成互補關係：nanochat 提供功能更完整、平台支援更廣的參考實作，而 autoresearch 則以極度精簡的規模，展示「AI 自主研究」這個概念可被如何落地。對於希望在其他平台（如 MacBook、AMD、Windows RTX）運行 autoresearch 的使用者，社群已發展出多個知名 fork，例如 miolini 的 macOS 版、trevin-creator 的 MLX 版與 jsegov 的 Windows RTX 版，形成一個活躍的二次開發生態。
autoresearch 為何引發開源社區關注？
autoresearch 之所以短時間內累積超過 9.4 萬顆星標，主要在於其「由 AI 教父級人物示範自主研究」的象徵意義。Karpathy 是 AI 領域最具影響力的開發者之一，其親自設計「讓 AI 自己訓練 AI」的框架，被視為自動化機器學習（AutoML）與自主智能體研究走向實用化的重要訊號，也為整個開源社區提供了一個可親手複製、驗證與改造的實驗範本。
項目短時間累積逾 9.4 萬星標，象徵 AI 指標人物親自示範「AI 自主訓練 AI」；它把 AutoML 與自主智能體研究推向實用，並提供可親手複製驗證的開源實驗範本。
從生態層面觀察，autoresearch 引發最多的討論集中在「AI 是否可以取代部分人類研究流程」這個命題。支持者認為，將重複性的超參數調校與架構探索交給自主 Agent，能大幅釋放研究者的時間；另一方面，固定時間預算與單一指標的侷限，也引導社區反思自主研究的邊界。整體而言，autoresearch 讓原本相對遙遠的「自主科研」願景，變成一個任何人都能在單張 GPU 上親自體驗的起點。
autoresearch 的數據表現如何？
從數據面觀察，autoresearch 以 94,077 顆星標與 13,323 次復刻，在短時間內躋身 AI 開源項目的一線陣營，其 1.4 倍的復刻比值更反映出大量使用者不只是「收藏」，而是實際複製、修改與運行。項目於 2026 年 8 月中旬仍維持活躍提交，顯示作者仍在持續維護與迭代，對於一個以「實驗」為核心的項目而言，持續的更新代表其設計正隨社群回饋而進化。
autoresearch 以 94,077 星標與 13,323 復刻短時間躋身一線，1.4 倍復刻比反映大量實用；2026 年 8 月仍活躍更新，設計隨社群回饋持續進化。
如何快速開始使用 autoresearch？
要快速開始使用 autoresearch，前提是擁有一張 NVIDIA GPU（官方以 H100 實測）、Python 3.10 以上與 uv 套件管理器。
要快速開始使用 autoresearch，前提是擁有一張 NVIDIA GPU（官方以 H100 實測）、Python 3.10 以上與 uv 套件管理器。步驟相當直接：先安裝 uv，執行 uv sync 安裝依賴，再執行 uv run prepare.py 完成一次性資料下載與 BPE tokenizer 訓練（約 2 分鐘），最後以 uv run train.py 手動運行一次約 5 分鐘的訓練以確認環境就緒。
快速開始需 NVIDIA GPU、Python 3.10+ 與 uv：uv sync 安裝、uv run prepare.py 做一次性資料前處理，最後 uv run train.py 手動跑一次 5 分鐘訓練確認環境就緒。
環境確認後即可進入自主研究模式：在 repo 中啟動 Claude、Codex 等編程 Agent 並關閉其權限，然後指示它閱讀 program.md 並啟動新實驗。對於沒有 H100 的使用者，社群 fork 提供了 macOS（MLX）、Windows RTX 與 AMD 等平台支援，Karpathy 並建議在較小算力上改用熵值較低的 TinyStories 資料集、縮小詞彙表與序列長度，以在有限資源下獲得合理結果。
出處連結有哪些？
本篇文章的資訊來源為 autoresearch 的 GitHub 官方儲存庫，包含 README 說明文件、原始程式碼與 Karpathy 在社群發布的相關公開說明。有興趣的讀者可以前往 GitHub 查看原始碼、平台支援討論以及社群開發的各式 fork。
本篇文章資訊來自 autoresearch 官方 GitHub 儲存庫，包括 README、原始碼與作者公開說明；讀者可前往查看原始碼、平台支援與社群 fork。
出處：karpathy/autoresearch — GitHub
常見問題有哪些？
官方要求一張 NVIDIA GPU（以 H100 實測）、Python 3.10 以上與 uv；社群 fork 提供 macOS（MLX）、
總結：autoresearch 的未來前景如何？
autoresearch 以 94,077 顆星標與 13,323 次復刻，展示了「AI 自主研究」由概念走向可運行的具體樣貌。
autoresearch 以 94,077 顆星標與 13,323 次復刻，展示了「AI 自主研究」由概念走向可運行的具體樣貌。它以「單一檔案修改、固定時間預算、單一指標評價」的極簡設計，讓一個 AI Agent 能在單張 GPU 上整夜自主地改碼、訓練與迭代，並透過 program.md 讓研究者在高層次主導實驗方向。對於關注自動化機器學習、自主智能體與 Karpathy 後續動向的開發者，autoresearch 提供了一個既能親手驗證、又能參與改造的開源入口，其後續迭代與社群衍生的生態，值得持續觀察。
autoresearch 以 9.4 萬星標展示 AI 自主研究由概念走向可行運行，極簡設計讓 Agent 在單 GPU 整夜自主迭代；對 AutoML 與自主智能體關注者而言，是一個可親手驗證並參與改造的開源入口。