企业官网建设流程全解析

在Mac、Windows甚至浏览器里跑autoresearch：awesome-autoresearch平台移植与硬件适配指南

【免费下载链接】awesome-autoresearchA curated list of autonomous improvement loops, research agents, and autoresearch-style systems inspired by Karpathy's autoresearch.项目地址: https://gitcode.com/gh_mirrors/aw/awesome-autoresearch

awesome-autoresearch 是一份精选的 autoresearch 自主实验循环项目清单，收录了覆盖 Mac、Windows、浏览器、多 GPU 集群等平台的移植与硬件适配分叉。本文面向新手，帮你按手边设备快速挑对跑法。

先看懂：autoresearch 自主实验循环是什么

autoresearch 源自 Karpathy 提出的极简自主机器学习实验框架，核心是一个闭环：变异 → 运行 → 度量 → 保留或回滚。AI 智能体反复修改训练代码、执行实验、用指标评估，好的改动保留、差的改动回滚，一晚上就能自主完成几十轮实验。

awesome-autoresearch 把围绕这个循环的高信号项目分 7 类整理：通用衍生品、研究智能体系统、平台移植与硬件分叉、领域适配、评估基准、实战案例、相关资源。本文聚焦第 3 类，这是让循环跑在自己设备上的最快路径。

快速上手：1 条命令克隆清单

清单是纯 Markdown 文档，无需安装任何依赖，克隆后随时可离线检索：

git clone https://gitcode.com/gh_mirrors/aw/awesome-autoresearch

克隆完成后，入口是 README.md，平台移植章节集中在 README.md。

Mac 上跑 autoresearch：2 个 Apple Silicon 原生方案

如果你有 M 系列芯片的 Mac，社区有两个成熟移植：

• autoresearch-macos：被广泛采用的 macOS 分叉，把上游版本适配到 Apple Silicon / MPS 后端，保留原有循环结构，迁移成本最低；
• autoresearch-mlx：基于 MLX 的原生移植，保留上游固定预算的val_bpb循环，彻底去掉 PyTorch/CUDA 依赖，环境最干净。

💡 建议：想贴近原版行为选前者；想要最"Mac 味"的轻量体验选 MLX 版。条目详情见 README.md。

Windows 上跑 autoresearch：RTX 消费级显卡方案

Windows 分叉autoresearch-win-rtx面向消费级 NVIDIA 显卡：明确标注显存下限（VRAM floor），并给出实用的桌面配置路径，家用 RTX 显卡就能直接跑，详见 README.md。

如果你有多卡机器或小规模集群，n-autoresearch提供多 GPU 基础设施：结构化实验追踪、自适应搜索策略、崩溃恢复和可查询的编排，围绕经典train.py循环构建，见 README.md。

浏览器里跑 autoresearch：WebGPU 免安装方案

想"打开网页就能跑"，选autoresearch-webgpu浏览器移植：智能体生成训练代码，实验直接在浏览器中执行，结果回流进循环，全程无需 Python 环境、无需 GPU 服务器，见 README.md。

注意 WebGPU 算力有限，适合小规模实验与学习循环原理；正式训练仍建议放到真实硬件上。

零成本与其他硬件适配

没有本地 GPU 也能跑，清单还收录了这些适配：

• Colab / Kaggle T4 移植：适配免费 T4 GPU，零成本、零本地配置；关键改动是把 Flash Attention 3 换成 PyTorch SDPA，移除 H100 专用内核依赖；
• Jetson AGX Orin 移植 autoautoresearch：加入 Go 编写的"director"，把 arXiv 论文与推理模型注入循环以跳出局部最优，并附多实验对比与停滞分析；
• autoresearch-engram：增加持久化认知记忆，用频率加权检索跨会话知识，提升实验连续性。

条目均位于 README.md。

如何选对分叉：硬件速查表

更多适配在哪里找，以及如何参与贡献

清单其余章节同样值得一看：

• 通用衍生品（自改进编码智能体、GEPA、ADAS 等）：README.md
• 研究智能体系统（AI Scientist、AgentLaboratory 等）：README.md
• 领域特定适配（GPU 内核、交易、数独、语音等）：README.md
• 评估与基准：README.md
• 实战案例与技术长文：README.md
• 相关资源与论文合集：README.md

清单以 CC0-1.0 许可 发布。想新增项目时，先阅读 CONTRIBUTING.md：只接受直接受 autoresearch 启发、明确引用它、或清晰使用同一自主改进循环的项目，并保持描述简短、中立、不带营销腔。

【免费下载链接】awesome-autoresearchA curated list of autonomous improvement loops, research agents, and autoresearch-style systems inspired by Karpathy's autoresearch.项目地址: https://gitcode.com/gh_mirrors/aw/awesome-autoresearch