用途：在训练代码库上做自主机器学习研究，适合整夜迭代神经网络架构与超参数，目标是在固定算力预算内不靠人工干预最大化实验数量。
搭建阶段（仅一次）：先用 git branch --list "autoresearch/*" 确认新标签分支不存在，再执行 git checkout -b autoresearch/<tag>；阅读 README.md、prepare.py（只读，含固定常量、数据准备、分词器、数据加载与评估，禁止修改）和 train.py（唯一可改文件）；用 ls ~/.cache/autoresearch/ 确认数据存在，否则需先由人运行 uv run prepare.py；执行 uv sync；用 echo -e "commit\tval_bpb\tmemory_gb\tstatus\tdescription" > results.tsv 初始化结果表（保持不被 git 跟踪）；首次运行必须是未修改的基线。
循环阶段：反复检查 git 状态、提出单一假设、最小化修改 train.py、git commit、以 uv run train.py > run.log 2>&1 运行（约 5 分钟，超 10 分钟按崩溃处理并 kill），只用 grep "^val_bpb:|^peak_vram_mb:" run.log 提取指标，再按 val_bpb 判断：改善则保留提交作为新基线，无改善则 git reset --hard HEAD~1 回滚，崩溃最多修两次否则放弃，最后按 TAB 分隔写入 results.tsv（status 为 keep/discard/crash）。
可改范围：模型架构（深度、宽度、注意力模式、激活）、优化器与调度、训练循环（批大小、累积、预热）等 train.py 内内容；不可改训练时间预算（5 分钟墙钟）、序列长度、评估协议、分词器与 evaluate_bpb。
限制与铁律：不得停止循环询问人类；不得让训练输出流入上下文，禁止 cat 或 tail 长日志；不得修改 prepare.py；回滚必须立刻 reset；不得 git add results.tsv；不得安装新包，仅用 pyproject.toml 中已有依赖；results.tsv 用 TAB 而非逗号分隔；显存仅在有意义指标提升时才可明显增加。是否收费、价格与具体平台支持暂未提供。