Recursive自动化AI研究系统三项基准测试超人类成果，自主发现新技术方案

【导语当地时间6月11日专注于递归超智能的Recursive公司发布自动化AI研究系统早期成果在三项基准测试中超越人类研究员优化的最优结果还自主发现新技术方案且开源实验结果供社区验证。】自动化研究循环突破传统机器学习范式Recursive的系统核心是自动化整个研究循环包括提出想法、实现方案、运行实验、验证结果并利用知识指导下一轮实验无需人类研究员持续干预。这与传统机器学习优化范式不同传统AutoML流程优化空间预定义而该系统能将“提出假设”环节纳入自动化循环还可自主扩展和修改搜索空间。三项基准测试多维度展现卓越性能在NanoChat Autoresearch测试中系统验证BPB达到0.9109此前最优为0.9372同等压缩质量下速度提升1.3倍体现了跨维度推理能力。NanoGPT Speedrun测试里将GPT模型训练到3.28验证损失的耗时从79.7秒缩短至77.5秒在成熟基线基础上取得边际改进。SOL - ExecBench测试中系统mean SOL指标达到0.754相比此前最优值0.699提升18%显示出系统级执行效率的显著提升。自主发现技术拓展AI研究边界系统自主发现了哈希bigram/trigram嵌入、FP8注意力投影和自定义GPU内核等新技术方案并非复制现有论文而是在探索实验空间时独立“发现”。即便在被大型社区优化多年、被认为接近饱和的成熟基准上仍能找到改进空间表明自动化研究能力边界未触及当前优化问题实质上限。开放透明验证增强成果可信度Recursive将实验的artifacts开源发布在GitHub上为社区验证结果提供基础。在AI研究领域开放复现路径可避免因系统随机性、实验细节缺失和选择性报告等因素导致的质疑。编辑观点Recursive的成果为AI自动化研究带来新希望虽距“递归超智能”有距离但证明了自动化研究在多领域的可行性有望推动AI研究迈向新高度。