GigaWorld-Policy-0.5是一种以动作为中心的世界动作模型：训练时利用未来视觉动态提供密集监督，推理时仅解码动作、不生成未来视频，从而降低计算开销。它采用混合Transformer架构，将视觉动态建模与动作生成分配给不同专家模块，在RTX 4090上推理时延约85毫秒。预训练结合动作条件世界建模与WAM训练，并用AutoResearch流水线自动搜索训练配置。实验表明，该模型在保留未来视觉监督优势的同时显著提升了推理效率。

Andrej Karpathy发布了名为autoresearch的开源Python工具，允许AI代理在GPU上自动进行实验。该工具通过编辑代码、训练模型和评估结果，发现了20个有效的改进，显著提升了模型性能。autoresearch的设计使AI能够在固定时间预算内进行科学实验，优化训练效率，展示了AI在细节调整方面的潜力。

autoresearch是一种全自动化软件开发工具，通过多Agent轮转实现从Issue到代码合并的全过程。用户只需定义需求，系统自动完成代码的实现、审查和修复，最终合并并关闭Issue。其核心机制包括多Agent交叉审查、双轨质量门禁和端到端闭环，确保代码质量和开发效率，适用于验收标准明确的功能开发，显著减少人类干预。

通过Karpathy的autoresearch方法，AI能够自我优化提示词，提升效率和稳定性。用户只需设定评分标准，AI便可自动迭代，简化优化过程，显著提升任务表现。该方法适用于任何可量化任务，改变了人机互动方式。

文章探讨了AI智能体优化的真实案例，强调理解是基础，自动化是放大器。通过观察输出和建立失败直觉，填平“理解、规格、泛化”三大鸿沟，才能让工具发挥作用。自动化工具如Auto Research需在理解基础上使用，以避免优化错误方向。最终，成功的关键在于深刻理解，自动化应建立在此之上。

Autoresearch是一种通用自动优化引擎，通过生成、测试、评分和迭代实现AI自我进化，广泛应用于GPU、物流、医疗和金融等领域，显著提升性能，推动全自动化进化。

该系统将pi-autoresearch移植为Claude Code技能，实现智能体自主实验和优化。AI能够独立运行实验、记录结果并进化，形成自我演化的科研体系。实验记录以jsonl格式存储，优秀成果通过git管理，确保透明和可追溯。系统通过无限循环不断学习和进化，改变了传统研究方式，使人类从繁琐操作中解放，专注于战略设计。