Руководство по «инженерии циклов» объясняет, как ИИ-агенты могут выполнять автономные исследования в области машинного обучения, заменяя ручную итерацию автоматизированными циклами. В статье подробно описываются открытый репозиторий `autoresearch` Андрея Карпатхи и статья `Bilevel Autoresearch` как проверенные артефакты для этого паттерна.

  • Карпатха выпустила `autoresearch` 7 марта 2026 года, инструмент под лицензией MIT, который позволяет агентам редактировать код обучения, оставляя утилиты оценки неизменными, что предотвращает самообман.
  • В тестах на коде уровня GPT-2 цикл выполнил около 700 экспериментов за два дня, выявив 20 реальных улучшений, сокративших время обучения на 11%.
  • Генеральный директор Shopify Тоби Лютке сообщил об улучшении на 19% после 37 ночных экспериментов с использованием того же инструмента на внутренней модели.
  • Статья `Bilevel Autoresearch` вводит внешний цикл, который изменяет механизмы поиска внутреннего цикла, достигая снижения валидационных бит на байт в пять раз большего, чем при использовании только одного цикла.

Эти циклы позволяют ИИ автономно уточнять модели или код, постоянно предлагая изменения, проверяя результаты по строгим метрикам и сохраняя только действительные улучшения.