Um guia sobre "engenharia de loops" explica como agentes de IA podem realizar pesquisa autônoma de aprendizado de máquina substituindo a iteração manual por loops automatizados. O artigo detalha o repositório de código aberto `autoresearch` de Andrej Karpathy e o artigo `Bilevel Autoresearch` como artefatos verificados para esse padrão.
- Karpathy lançou `autoresearch` em 7 de março de 2026, uma ferramenta com licença MIT que permite aos agentes editar o código de treinamento enquanto mantém as utilidades de avaliação fixas, prevenindo a autoilusão.
- Em testes com código de qualidade GPT-2, o loop executou aproximadamente 700 experimentos em dois dias, identificando 20 melhorias genuínas que reduziram o tempo de treinamento em 11%.
- O CEO da Shopify, Tobi Lütke, relatou uma melhoria de 19% após 37 experimentos noturnos usando a mesma ferramenta em um modelo interno.
- O artigo `Bilevel Autoresearch` introduz um loop externo que modifica os mecanismos de busca do loop interno, alcançando uma queda nos bits por byte de validação cinco vezes maior do que o loop único sozinho.
Esses loops permitem que a IA refine autonomamente modelos ou código propondo mudanças continuamente, verificando os resultados contra métricas rigorosas e persistindo apenas em melhorias válidas.