Recursive 自动化 AI 研究系统连破三项基准：训练配方到 GPU 内核优化
2026-06-11 20:30:00
2026年6月11日，Recursive 公布其 自动化 AI 研究系统 的早期结果，展示 AI 自主发现科研改进的潜力。
三项 SOTA
| 基准 | 任务 | Recursive 表现 |
|---|---|---|
| NanoChat Autoresearch | 固定算力下训练小语言模型 | Validation BPB 0.9109，较 SOTA 0.9372 优 2.8% |
| NanoGPT Speedrun | 最快达到目标 loss | 77.5s vs 此前 79.7s |
| SOL-ExecBench | GPU 内核优化 | 均值 0.754 vs 此前 0.699，距硬件极限差距缩小 18% |
意义
第三项最接近生产：内核优化直接决定训练与推理成本。Recursive 系统通过自动提出新算法、重组已知想法、调优实现细节并在建模与优化间组合改进，在无人类社区持续投入的领域仍发现增益。
对软件业启示
若 AI 研究自动化规模化，MLOps、编译器与算子库 的迭代速度可能远超传统软件发布周期，云厂商与框架维护者需准备「机器速度」的补丁与回归体系。