Adaption推出AutoScientist让模型自我训练 加速前沿AI微调

背景与动机

近年来，业界对“自我改进”AI的期待日益高涨。传统的微调流程仍需人工挑选数据、手动调参，成本高且效率低。Adaption 创始团队认为，若能在模型训练全过程中实现“全栈自适应”，则有望将前沿模型的训练门槛从少数实验室降至更广泛的研发者手中。

AutoScientist 核心概念

• 同步优化：系统在训练期间同时搜索最优数据子集和模型超参数，实现数据‑模型的协同进化。
• 持续迭代：依托 Adaption 先前推出的 Adaptive Data 平台，AutoScientist 能不断收敛高质量数据，进而推动模型能力的递进提升。
• 任务自适应：用户只需提供目标任务描述，系统即自动生成微调脚本并执行，无需人工介入。

性能表现

Adaption 在发布材料中称，AutoScientist 在多模型实验中实现了 胜率翻倍 的提升。由于系统专注于特定任务的适配，传统基准如 SWE‑Bench、ARC‑AGI 并不适用，团队更倾向于通过实际业务指标来评估效果。

市场与商业策略

Sara Hooker（前 Cohere AI 研究副总裁）指出：“AutoScientist 让前沿 AI 训练不再局限于少数实验室。” 为加速生态采纳，Adaption 将在产品发布后首 30 天提供 免费使用，并计划通过增值服务（如企业级数据治理、专属模型调优）实现后续盈利。

业界反响

业内分析师普遍认为，若 AutoScientist 能在真实任务中持续交付显著提升，可能会推动 AI 研发进入“代码即模型”新阶段。与此同时，专家提醒，自动化微调仍需审慎评估数据质量与安全风险，防止模型在自我学习过程中产生不可预测的偏差。

展望

AutoScientist 的推出标志着 AI 训练链路向全自动化迈出重要一步。未来，随着更多高质量数据源的接入以及更强算力的支撑，模型自我训练的效率和可靠性有望进一步提升，进而加速生成式 AI 在科研、工业和消费场景的落地。