AI 工具公司 Adaption 于 5 月 13 日发布 AutoScientist，一套面向模型训练与对齐的自动化研究循环系统，并于本周由知名 AI 研究者 Sara Hooker 转发后获得广泛关注。该系统通过联合优化数据配方和模型训练配方，自动迭代直至模型行为收敛至用户设定目标——开发者无需手动调参或"守着超参数搜索"，非技术背景的构建者也可首次直接训练和调整模型，而非仅限于提示词工程。官方测评数据显示，AutoScientist 在跨越 5000 至 10 万条样本、多种模型架构和 8 个行业垂类的全量运行中，平均超越 Adaption 内部 AI 研究员的人工配置方案 35%；胜率（win rate）从人工配置的 48% 提升至 AutoScientist 的 64%，且在所有 8 个垂类中均实现稳定增益，不出现过拟合于特定领域的问题。模型架构范围覆盖 Together AI 托管的全部可微调模型。
Adaption 将 AutoScientist 定位为其 Adaptive Data（数据层）之后的模型层补完，两者共同构成从数据准备到模型适配的端到端闭环。公司表示当前已在 Sara Hooker 推文中提及向非洲东部用户提供 30 天免费算力以降低参与门槛，具体申请渠道见官方博客。Adaption 的技术路线与当前主流的 AutoML 工具的核心差异在于引入自改进机制——系统基于历史运行记录持续提升自身配置能力，而非依赖固定搜索策略。