摘要
本文研究了由外部测量驱动的自动研究闭环。每个试验包含假设、可执行代码编辑及评估反馈，形成可审计的演进轨迹。通过专家智能体划分配方空间并共享谱系反馈，智能体能将失败转化为程序级修正而非一次性建议。在无需人工干预的千余次试验中，该系统自主编写代码、提交实验并吸收反馈，显著提升了多个基准任务的性能，实现了训练配方的自动迭代与优化。
AI 推荐理由
论文核心研究智能体通过反馈循环自主改进训练配方，体现自我进化与持续优化机制。
研究机构
School of Computer Science, Carnegie Mellon University
论文信息