autoresearch

Claude Autoresearch Skill — Claude Code के लिए स्वायत्त लक्ष्य-निर्देशित पुनरावृत्ति। Karpathy के autoresearch से प्रेरित। संशोधित करें → सत्यापित करें → रखें/छोड़ें → हमेशा के लिए दोहराएं।

विचार निर्माण और प्रयोगों से लेकर पेपर लेखन और पीयर रिव्यू तक AI रिसर्च वर्कफ़्लो को व्यवस्थित करने के लिए एक ब्लूप्रिंट-संचालित AutoResearch रनटाइम।

Karpathy के autoresearch से प्रेरित स्वायत्त सुधार लूप, अनुसंधान एजेंटों और autoresearch-शैली प्रणालियों की एक क्यूरेटेड सूची।

Codex Autoresearch Skill — Codex के लिए एक स्व-निर्देशित पुनरावृत्ति प्रणाली जो लगातार चक्र चलाती है: संशोधित करें, सत्यापित करें, बनाए रखें या छोड़ें, और अनिश्चित काल तक दोहराएं। Karpathy की ऑटोअनुसंधान अवधारणा से प्रेरित।

पहला वितरित AGI सिस्टम। हज़ारों स्वायत्त AI एजेंट सहयोगात्मक रूप से मॉडल प्रशिक्षित करते हैं, P2P गपशप के माध्यम से प्रयोग साझा करते हैं, और यहाँ सफलताएँ प्राप्त करते हैं। पूरी तरह से पीयर-टू-पीयर। अपने ब्राउज़र या CLI से जुड़ें।

GPU कर्नेल के लिए ऑटो-रिसर्च। इसे कोई भी PyTorch मॉडल दें, सो जाएं, और अनुकूलित Triton कर्नेल के साथ जागें।

AIDE: मशीन लर्निंग इंजीनियरिंग के लिए एक LLM एजेंट - वह शोध जिससे Weco विकसित हुआ। OpenAI MLE-bench में संदर्भित।

आपके कोडबेस को एक ऑटो-रिसर्च लूप में बदल देता है — यह पता लगाता है कि क्या मापना है, बेंचमार्क को इंस्ट्रूमेंट करता है, और फिर पैरेलल सबएजेंट्स के साथ ट्री सर्च चलाता है।

🦞+🔬 NanoResearch: स्वायत्त AI अनुसंधान सहायक

आपके एजेंटों (और उन एजेंटों के भविष्य के संस्करणों) को किसी भी कार्य में सफल होने में मदद करने के लिए डिज़ाइन किया गया एक रिकर्सिव सेल्फ-इम्प्रूविंग हार्नेस

एक सामान्य स्वायत्त अनुसंधान एजेंट — जो प्रयोग करता है, शोध करता है और स्वायत्त रूप से पुनरावृत्ति के साथ अनुकूलन करता है।

ऑप्टिमाइज़ेशन ट्रेस और ओपन सोर्स कार्यान्वयन के साथ AutoResearch उपयोग के मामलों की क्यूरेटेड सूची

स्वायत्त कोडिंग एजेंटों द्वारा संचालित ओपन-सोर्स ऑटो-रिसर्च। ग्रेडिंग, साझा ज्ञान और मल्टी-एजेंट इवोल्यूशन के साथ Claude Code, OpenCode और Codex चलाएं। COLM 2026 में स्वीकृत

कोडबेस के भीतर ऑप्टिमाइज़ेशन लूप चलाने के लिए एक कोडेक्स प्लगइन। यह तब उपयोगी होता है जब आपके पास मापने योग्य लक्ष्य हो और आज़माने के लिए कई संभावित बदलाव हों: जैसे रनटाइम टेस्ट, बिल्ड स्पीड, बंडल साइज़, मॉडल लॉस, Lighthouse स्कोर, मेमोरी उपयोग, क्वेरी लेटेंसी, या कोई अन्य मेट्रिक जिसे आप स्क्रिप्ट से प्रिंट कर सकते हैं।

Principia पुन: प्रयोज्य सिद्धांतों को निकालता है, उन सिद्धांतों को ट्रेस करने योग्य शोध विचारों में संयोजित करता है, और शोधकर्ताओं को यह जांचने में मदद करता है कि कोई विचार परीक्षण के योग्य क्यों हो सकता है।

स्कॉलर ऑल-इन-वन: AI एजेंट्स के लिए एक शोध बुनियादी ढांचा