LOCAL-FIRST · REPRODUCIBLE · ITERATIVE

Auto Research¶

平台用两种工作流服务不同研究领域：先复现论文、建立可信组件与评测，再把组件接入自动研究引擎做并行实验和多轮进化。领域不被写死，可以是搜广推、基础模型、后训练、Agent，也可以通过统一接口继续扩展。

开始自动研究浏览论文实现

两大核心工作流¶

自动研究与进化¶

输入任意研究 topic，或提供已有系统、公开数据集和自然语言方向。系统检索论文证据，生成可审计假设，并行执行公平实验，再根据 validation 结果继续迭代。研究对象通过 adapter 接入，不限定为推荐模型。

topic → 论文 → 假设 → 实验 → 下一轮
已支持 RankMixer、HyFormer 与本地 micro‑LLM
可搜索结构、数据配方、后训练方法和超参数
Agent 已支持 memory、planner、tool、critic 的组合进化
新搜到但尚未实现的论文只留作 evidence-only，不会现场生成并执行代码

了解自动研究流程 →

论文实现与评测¶

论文库不再等同于“搜广推目录”，而是统一承载四个研究域。每篇实现独立保存代码、实验、指标和中文解读，并明确区分原论文效果、本地结果与机制复现。

搜广推及 LLM 应用：召回、粗排/精排、混排、内容理解与审核风控
基础模型：架构、预训练、多模态、长上下文和推理效率
LLM 后训练：偏好优化、RL、OPD、reward 与训练稳定性
Agent：记忆、规划、工具使用与自我进化
统一论文信息、架构图、公式、代码和复现边界

进入论文实现与评测库 →

工作流 × 研究领域¶

研究领域	论文实现与评测	自动研究与进化
搜广推与 LLM 应用	论文库可用工业论文库：召回、粗排/精排、混排、内容理解、审核风控、广告和生成式推荐；线上 A/B 是硬门槛	进化可运行 RankMixer / HyFormer 已支持结构、参数和训练配置的多轮进化
基础模型	论文库可用基础模型研究：架构、预训练、多模态、长上下文与推理效率	进化可运行 micro‑LLM 已支持架构、数据配方和效率算子进化
LLM 后训练	论文库可用 LLM 后训练库：偏好优化、RL、OPD 与过程奖励	进化可运行 objective、学习率、group size 和预算可组合搜索
Agent	论文库可用 Agent 论文库：记忆、规划、工具使用和自我进化方法	进化可运行 memory、planner、tool、critic 与容量已支持论文约束的多代组合搜索
其他主题	可扩展按统一论文页合同增加领域目录	可扩展按统一 research adapter 接入模型、数据、mutation 与 evaluator

查看领域如何接入自动进化 →

自动研究闭环¶

flowchart LR
  A[系统或 Topic] --> B[研究方向]
  B --> C[检索论文证据]
  C --> D[设计 mutation 与参数实验]
  D --> E[并行训练或执行]
  E --> F[Validation 选择冠军]
  F --> G{继续迭代?}
  G -- 是 --> D
  G -- 否 --> H[隔离 Test]
  H --> I[JSON + Markdown + HTML]

从这里开始¶

安装项目：从项目 README创建 Python 环境并安装 auto-research 命令。
选择工作流：先从论文实现与评测库建立可信组件，或直接进入自动研究总览进行 topic research 和模型进化。
选择领域：搜广推进入工业论文库，架构与预训练进入基础模型研究，训练后算法进入后训练库，Agent 进入Agent 论文库。

数字口径

本站始终区分原论文离线指标、原论文线上 A/B 和本地公开数据实验。论文宣称的线上提升不会被写成本地提升；负结果、失败实验和明显偏置也会保留。