Adaption 釋出 AutoScientist：讓模型自動跑完訓練迴圈，勝率超人類研究員

全球真正懂得怎麼調校前沿大模型的人，可能還不到一千個。這些核心專家大多待在極少數頂尖實驗室裡，靠著口口相傳、極少公開發表的調參經驗守著技術壁壘；剩下的大多數人，只能圍在外面折騰提示詞工程。

由前 Cohere AI 研究副總裁 Sara Hooker 聯合創立的初創團隊 Adaption 試圖打破這種壟斷。他們釋出了一款名為 AutoScientist 的新系統，宣稱能夠端到端自動化跑完模型訓練與對齊的完整研發流程。

把調參這門玄學交給演算法

在頭部實驗室之外做模型微調，翻車往往是常態。最常見的問題無非是三個：新學了領域知識卻把原本的能力忘光的災難性遺忘、在小資料集上輕易發生的嚴重過擬合，以及訓練訊號混亂導致模型根本學不會預期行為。

以往解決這些問題，全靠演算法工程師日夜盯著控制台做超引數掃描。而 AutoScientist 的核心思路，是同時對訓練資料和訓練配方進行協同最佳化。

它接上了 Adaption 之前推出的資料工具 Adaptive Data，一邊動態篩選和調整輸入資料，一邊自動修正訓練配置，直到模型表現收斂到使用者指定的目標。官方表示，過去需要耗費數週的調優，現在開發者花一個下午就能跑出屬於自己的定製模型。

勝率 64%：全面跑贏人類演算法工程師

為了驗證效果，Adaption 拿自家的 AI 研究團隊跟系統做了直接對抗。雙方基於模型架構、領域任務和資料規模設定訓練配置，AutoScientist 還能參考少量歷史執行資料自我迭代。

測試結果顯示，當讓人類研究員挑選配置時，勝率為 48%；而換成 AutoScientist 之後，勝率直接拉昇到了 64%。在所有測試批次中，該系統的表現平均比人類配置高出 35%。

這項測試覆蓋了 8 個垂直領域，資料集規模從 5000 到 10 萬條不等，底層調優模型基於 Together AI 託管的架構。Adaption 表示，系統並沒有在特定領域上過擬合，在全部 8 個垂類上都跑出了穩定的效能提升。

目前 AutoScientist 面向所有使用者提供 30 天免費試用，官方尚未公佈到期後的具體定價。

為什麼重要

對於苦於推理賬單的企業和獨立開發者來說，這項工具來得很及時。很多團隊明知道微調小模型是壓縮延遲和成本的最好辦法，卻養不起專門的演算法團隊，也沒有精力天天守著做調優實驗。有 30 天的免費視窗，足夠驗證它能不能真把私有資料煉進小模型裡。

對行業而言，它正在侵蝕大模型實驗室的隱形護城河。過去頂級實驗室最值錢的資產之一，就是資深研究員腦子裡那些不外傳的訓練配方。一旦訓練和微調的科學流程被軟體化，模型定製的門檻就會從拼專家經驗變成單純拼目標定義。

我們認為，Adaption 最聰明的地方在於把資料最佳化和訓練配置捆綁在一起做迭代，而不是假定資料一成不變。不過這件事也有隱患：正如 Hooker 對 TechCrunch 所承認的，由於針對垂直任務定製，它很難用 SWE-Bench 這類通用基準來衡量，目前的勝率全部來自官方自研的測試集。AutoScientist 到底能不能在企業那些雜亂無章的真實資料上重現 35% 的提升，還得看首批使用者試用後的反饋。