用途：Autoresearch 是一个自主 AI 研究智能体，用于对 LLM 训练代码做自动化实验优化。它以 opencode 作为代理，围绕 train.py 反复提出并实现实验想法、运行训练、评估结果，保留改进、丢弃失败，目标是把 val_bpb 降到尽可能低。
主要能力：可修改 train.py 中的架构（Transformer 层、注意力机制）、优化器（Muon、AdamW、学习率）、超参数（批大小、warmup、LR 调度）、模型规模（DEPTH、宽度、头数）、激活函数（ReLU、GeLU、SiLU）与归一化（RMSNorm 设置）。每次实验约 5 分钟，预期每小时约 12 次实验。
使用方式：一次性准备执行 uv sync 与 uv run prepare.py；创建实验分支 git checkout -b autoresearch/$(date +%b%d)；先跑基线 uv run train.py 并记录到 results.tsv。自主循环为：修改 train.py、git add -A && git commit -m "exp: description"、uv run train.py > run.log 2>&1、grep "^val_bpb:" run.log、记录 results.tsv，改进则保留，变差则 git reset --hard HEAD~1，然后重复。
适用场景：适合在固定时间预算内自动搜索训练配置、调参与调试训练发散等问题。
限制：训练须在约 5 分钟内完成且不能崩溃；不得修改 prepare.py，不得新增依赖；VRAM 增加仅在 val_bpb 改善时可接受；results.tsv 不提交；代理被要求完全自主、不向人类请求继续许可，直到人类停止。资料未提供收费、价格与平台信息。