2026 年 5 月 13 日，前 Cohere AI 研究副總裁 Sara Hooker 創辦的 AI 實驗室 Adaption 發表 AutoScientist：一套把模型訓練與對齊背後的研究迴圈全自動化的系統。它同時最佳化訓練資料與配方，反覆迭代直到模型收斂在使用者描述的目標上。官方說法是，使用者能「在一個下午」從想法走到一個微調完成、完全屬於自己的模型。
這項產品的意義在於定位。市面上多數微調工具只處理單一環節，例如資料清理或超參數搜尋；AutoScientist 賣的是整個訓練研究流程的自動化，發表後 30 天免費。Hooker 對 TechCrunch 給出的註解更大：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」。
AutoScientist 在做什麼
Adaption 自我定位為研究導向的「neolab」。Hooker 過去在 Cohere 帶領 AI 研究，2025 年 10 月受訪時就表明押注「規模競賽」之外的路線。AutoScientist 是這條路的具體化：不是一次性微調工具，而是自動跑完訓練研究迴圈的自我改進系統。
使用者描述想要的能力，系統同時調整資料組成與訓練配方，直到模型在該目標上收斂。目標用戶有兩類：不想手動調參的 ML 工程師，以及過去只能靠 prompt 的非技術建造者。官網標語寫得直接：「智能不應該出廠預先配置，建造 AI 不應該需要博士學位。」
關鍵數據：勝率從 48% 到 64%
Adaption 公布的數字有三組。第一，與人類或 AI 研究員建議的訓練配置相比，AutoScientist 產出的訓練平均效果好 35%。第二，模型勝率從研究員建議配置的 48% 提升到 64%。第三，增益在 8 個垂直領域、5k 到 100k 的資料集、以及 Together AI 可微調的各種架構上都成立。
評測用的是 Adaption 自建的領域基準而非公開榜單。TechCrunch 也提醒，這些勝率數字缺乏外部對照，難以放進產業座標檢驗。
從 Adaptive Data 到全棧可適應
AutoScientist 不是從零開始的產品。Adaption 先前的 Adaptive Data 專注在隨時間累積高品質資料集，AutoScientist 則把「持續變好的資料」轉換成「持續變好的模型」。Hooker 的目標是把整個 stack 變得「完全可適應」，針對任意任務即時最佳化。
路線圖上還有更激進的一條：不需要訓練的適應技術。若兌現，模型適應的成本會再壓低一階。
為什麼標準基準測試幫不上忙
因為系統是為特定任務客製模型，SWE-Bench、ARC-AGI 這類通用基準無法直接衡量它的效果——同一套自動訓練流程套到不同任務上，產出的是不同的模型。這既是賣點，也是驗證難題：對使用者來說，「我的任務上變準」比排行榜名次重要；對外部觀察者來說，證據只有自建基準與實際試用——這也是三十天免費的原因。
對開發者與研究者的意義
三個實際判斷。第一，微調的進入門檻正在從「會寫訓練腳本」降到「會描述目標」，非技術團隊取得專屬模型的路徑明顯變短。第二，「前沿訓練與大實驗室解綁」的敘事第一次有了可用產品支撐，與 2026 年開年以來模型節奏持續加快的趨勢相互呼應。第三，驗證責任轉移到使用者身上：沒有公開榜單背書，導入前先用自己的評測集驗證，比相信供應商的勝率數字重要。
參考來源
- Adaption aims big with AutoScientist, an AI tool that helps models train themselves — TechCrunch
- AutoScientist: Automating the Science of Model Training — Adaption Labs
- Why Cohere’s ex-AI research lead is betting against the scaling race — TechCrunch
本文由 AI 協助自上述來源整理，經人工審核後發布。