Un guide sur l'« ingénierie des boucles » explique comment les agents IA peuvent effectuer une recherche en apprentissage automatique autonome en remplaçant l'itération manuelle par des boucles automatisées. L'article détaille le dépôt open-source `autoresearch` d'Andrej Karpathy et l'article `Bilevel Autoresearch` comme artefacts vérifiés pour ce modèle.
- Karpathy a publié `autoresearch` le 7 mars 2026, un outil sous licence MIT qui permet aux agents de modifier le code d'entraînement tout en gardant les utilitaires d'évaluation fixes, empêchant l'auto-illusion.
- Dans des tests sur du code de qualité GPT-2, la boucle a exécuté environ 700 expériences sur deux jours, identifiant 20 améliorations réelles qui ont réduit le temps d'entraînement de 11%.
- Le PDG de Shopify, Tobi Lütke, a signalé une amélioration de 19% après 37 expériences nocturnes utilisant le même outil sur un modèle interne.
- L'article `Bilevel Autoresearch` introduit une boucle externe qui modifie les mécanismes de recherche de la boucle interne, atteignant une baisse des bits par octet de validation cinq fois plus grande que celle de la seule boucle unique.
Ces boucles permettent à l'IA d'affiner autonomement des modèles ou du code en proposant continuellement des modifications, en vérifiant les résultats par rapport à des métriques strictes et en ne conservant que les améliorations valides.