研究者披露大模型自主科研实验最新结果

据我所知，这是目前在研究环境中对自主智能体迭代进行的最大规模公开实验。我们扩展了运行时长、算力、模型多样性和工具集合。

作为对比，oai/anthropic系统卡片中的类似任务，包括anthropic的「在CPU上优化LLM训练」，以及openai gpt 5.6完成的nanogpt赛道1任务，运行时长都不到一天。我们还公开了大量细节（轨迹、暂存记录等），因此你可以深入研究不同模型处理这类任务的方式。

这个实验的噪声相当大，相同设置下的单次运行在24小时后会有约50步的偏差。我觉得非常惊人的一点是，尽管不同模型探索的思路大致相近，任务和环境本身也存在大量方差，不同模型之间的表现差距仍然很大。

fable 5缩小了82%与当前人类纪录的差距，kimi K3的表现也非常出色。我目前正在运行grok 4.6、deepseek v4 pro、muse spark 1.2、qwen 3.8 max和glm 5.3，预计下周会公布结果。

我最喜欢的部分之一，是模型在本次实验过程中自行开发出的一些工具，尤其是配合prime agent使用时。举例来说，kimi K3就创建了自己的实验API，用来生成优化器变体、比较损失、牛顿-舒尔茨调参等等。

我们还拿到了deepseek v4 pro配合prime agent运行的早期结果：它在启动GPU运行之前，先跳出常规的nanogpt循环做了PSGD实验来建立直觉。博客里还有其他工具集下的其他精彩案例！

我对我们在这个方向上的构想也感到非常兴奋，我们会继续研究，去理解（闭源和开源的）前沿模型的研究能力。