摘要： Adaption 於 2026 年 5 月 13 日發表 AutoScientist，讓系統同步調整訓練資料與配方，直到符合使用者目標。官方稱勝率由 48% 升至 64%。評測使用 Adaption 自建領域基準，而非公開榜單。
2026 年 5 月 13 日，前 Cohere AI 研究副總裁 Sara Hooker 所創辦的 AI 實驗室 Adaption 對外發表 AutoScientist——把模型訓練與對齊背後整條研究迴圈交給機器自動跑的系統。訓練資料和配方由它一併調整，一輪接一輪迭代，直到模型在使用者指定的目標上收斂。官方的說法是：從一個想法到產出微調完成、完全歸自己所有的模型，整段路壓縮得「在一個下午」內走完。
這個產品真正值得留意的是它的站位。市面上現有的微調工具大多只負責其中一道工序，不是清資料就是掃超參數；AutoScientist 主張的卻是整條訓練研究流程的自動化，並且在發表後 30 天內開放免費使用。Hooker 對 TechCrunch 講的話，格局又比產品本身更大：這「暗示我們終於可以讓成功的前沿 AI 訓練，發生在這幾家大實驗室之外」。
這套系統實際在做什麼
Adaption 把自己定位成研究導向的「neolab」。Hooker 過去在 Cohere 主持 AI 研究，2025 年 10 月受訪時已把話講明白：她押的是「規模競賽」以外的路。AutoScientist 等於把這個押注做成了產品——它不是用一次就收工的微調工具，而是能自己把訓練研究迴圈從頭跑到尾的自我改進系統。
運作方式說來不複雜：使用者講出想要的能力，系統便一邊調整資料組成、一邊調整訓練配方，調到模型在該目標上收斂為止。它盯上的使用者有兩種，一種是希望省掉手動調參的 ML 工程師，另一種是到目前為止只會下 prompt 的非技術建造者。官網標語講得毫不修飾：「智能不應該出廠預先配置，建造 AI 不應該需要博士學位。」
數字怎麼說：勝率由 48% 抵達 64%
Adaption 這次端出的數據分成三組。第一組，拿人類或 AI 研究員建議的訓練配置當對照，AutoScientist 產出的訓練平均成果要好上 35%。第二組，模型勝率從研究員建議配置下的 48% 推高到 64%。第三組，這些增益在 8 個垂直領域、規模 5k 到 100k 的資料集，以及 Together AI 供微調的各種架構上都成立。
要留意的是，評測並沒有採用公開榜單，用的是 Adaption 自建的領域基準。TechCrunch 也點出，這些勝率缺少外部對照，很難擺進產業脈絡裡核實。
從 Adaptive Data 到整個 stack 都能適應
AutoScientist 並非無中生有。Adaption 先前的產品 Adaptive Data，做的是讓高品質資料集隨時間累積；AutoScientist 接著把「資料持續變好」換成「模型持續變好」。Hooker 設定的目標，是讓整個 stack 變得「完全可適應」，遇到任何任務都能當場最佳化。
路線圖上還寫著更大膽的一步：完全不必訓練的適應技術。這一步若落地，模型適應的成本會再往下降一個層級。
通用基準為何量不了它
這套系統交出的是為單一任務量身訂做的模型，因此 SWE-Bench、ARC-AGI 之類的通用基準直接失效——同一套自動訓練流程換個目標再跑一遍，得到的又是另一個模型。這件事一體兩面：站在使用者角度，「我的任務上變準」比排行榜上的名次更實際；站在外部觀察者角度，能拿到的證據只剩自建基準和實際試用——30 天免費正是為此安排。
開發者與研究者能帶走什麼
三點務實的判斷。第一，微調的入場門檻正從「寫得出訓練腳本」下修到「講得出目標」，非技術團隊通往專屬模型的路明顯縮短。第二，「前沿訓練與大實驗室脫鉤」的說法頭一次有摸得到的產品撐腰，也與 2026 年開年以來模型發布節奏一路加快的走向相互印證。第三，驗證的責任換到了使用者手上：沒有公開榜單可引，導入前先用自家的評測集跑一輪，比直接相信供應商給的勝率更可靠。