Una guía sobre "ingeniería de bucles" explica cómo los agentes de IA pueden realizar investigación autónoma en aprendizaje automático reemplazando la iteración manual con bucles automatizados. El artículo detalla el repositorio de código abierto `autoresearch` de Andrej Karpathy y el artículo `Bilevel Autoresearch` como artefactos verificados para este patrón.
- Karpathy lanzó `autoresearch` el 7 de marzo de 2026, una herramienta con licencia MIT que permite a los agentes editar el código de entrenamiento mientras mantiene fijas las utilidades de evaluación, previniendo la autoengaño.
- En pruebas con código de calidad GPT-2, el bucle ejecutó aproximadamente 700 experimentos en dos días, identificando 20 mejoras genuinas que redujeron el tiempo de entrenamiento en un 11%.
- El CEO de Shopify, Tobi Lütke, reportó una mejora del 19% después de 37 experimentos nocturnos utilizando la misma herramienta en un modelo interno.
- El artículo `Bilevel Autoresearch` introduce un bucle externo que modifica los mecanismos de búsqueda del bucle interno, logrando una caída en bits por byte de validación cinco veces mayor que la de un solo bucle.
Estos bucles permiten a la IA refinar autónomamente modelos o código proponiendo cambios continuamente, verificando los resultados contra métricas estrictas y persistiendo solo en mejoras válidas.