# 策展 · X (Twitter) 🔥🔥🔥

> 作者：adaption (@adaption_ai) · 平台：X (Twitter) · 日期：2026-05-14

> 原始來源：https://x.com/adaption_ai/status/2054532113316434061

## 中文摘要

AutoScientist 自動化模型訓練研究循環，大幅超越人類配置效能。

Adaption Labs 推出 AutoScientist，一個自動化模型訓練與對齊的全研究循環系統，讓非前沿實驗室使用者也能輕鬆塑造模型，避免僅限少數專家壟斷 AI 開發。

**模型訓練的現況困境**  
全球僅不到一千人懂得塑造前沿模型，他們集中在少數實驗室，使用專有系統工作，其他人僅能透過提示工程（prompt engineering）扭曲請求，以適應通用模型。Adaption 認為這不該持續，人工智慧不應預先配置，建構 AI 也不該需要博士學位。模型訓練與強化學習是最強大的塑造方式，卻是最難在實驗室外成功的，常見失敗原因包括災難性遺忘（catastrophic forgetting）侵蝕通用知識、在小或低品質資料集上過度擬合（overfitting），以及衝突訓練訊號無法教導新行為。有效技巧僅口耳相傳，少有記錄，導致少數專家定義 AI 能力邊界，其他人淪為旁觀者。

**AutoScientist 的核心機制**  
AutoScientist 自動共同最佳化資料與模型訓練配方（recipes），自我改進直到品質收斂於使用者目標。它延續 Adaptive Data 塑造輸入的理念，負責塑造模型，端到端執行完整研究循環：資料與配方同步共同最佳化，反覆迭代直到模型展現描述行為。對開發者而言，從idea到擁有自訂適應模型僅需一天下午，而非數週；對非技術建構者，則開啟歷史上封閉的大門，讓他們能訓練模型而非僅提示。適用對象包括知曉需微調（fine-tuning）的 ML 工程師（如領域語言、結構化輸出格式、小模型延遲/成本），無暇監控掃描（sweeps）的工程師，以及欲降低專有模型推論費用的企業。它解鎖專有資料，讓 AI 看見並產生易開發、易評估、易演化的系統，適應目標變更與新輸入。

**效能超越人類基準**  
如圖 1 所示，AutoScientist 在不同資料集大小（5k-100k）、Together AI 提供的微調模型架構及垂直領域中，大幅超越原始模型效能，所有執行平均表現一致獲益，不受領域影響。勝率基於內部領域專屬評估計算。圖 2 顯示，AutoScientist 平均超越內部 AI 研究人員配置的訓練 35%，研究人員可依模型類型、領域及資料集大小設定配置，AutoScientist 獲相同資訊並基於有限歷史執行自我改進。總勝率從 48% 提升至 64%。AutoScientist 不敏感於垂直領域，在 8 個垂直領域（Together AI 微調模型平均執行）皆產生可預測獲益，這令人興奮，因為現實中多數微調失敗，但它提供穩健可靠提升，橫跨多任務類型。

**從 Adaptive Data 到適應系統**  
AutoScientist 是自動化 AI 研發的重要基石，從 Adaptive Data 進化至完整適應系統。它自動學習塑造模型行為，為長程推理（long horizon reasoning）——AI 最難未解問題之一——邁出第一步，此問題阻礙模型在看似能勝任任務上的可靠性。未來將開發無需訓練的即時適應技巧。

**未來展望與存取**  
AutoScientist 讓任何人而非僅 AI 研究員，能塑造依賴的 AI。接下來 30 天免費使用。[完整公告](https://www.adaptionlabs.ai/blog/autoscientist)。

Adaption 強調，智慧不該限於已知建構之人。

## 標籤

Agent, 自動化, 新產品, 開源專案, Adaption Labs, AutoScientist