Andrej Karpathy publie Autoresearch en open source : des agents IA qui lancent 100 expériences pendant votre sommeil

Andrej Karpathy, ancien directeur de l'IA chez Tesla et membre fondateur d'OpenAI, a publié en open source Autoresearch — un outil minimaliste qui permet à des agents IA de mener des expériences autonomes d'entraînement de modèles de langage (LLM) sur un seul GPU. Le projet a rapidement gagné en popularité sur GitHub après sa publication le 7 mars 2026.

Comment ça fonctionne

Le concept est d'une simplicité trompeuse. Autoresearch associe un fichier d'instructions rédigé par un humain (program.md) à un script d'entraînement unique (train.py) d'environ 630 lignes de code. Un agent IA — tel que Claude ou GPT — lit les instructions, modifie le code d'entraînement, lance une expérience de 5 minutes exactement, évalue le résultat via le score val_bpb (validation bits per byte), puis décide de conserver ou d'écarter la modification. Et le cycle recommence.

Chaque expérience dure exactement 5 minutes quel que soit le matériel, produisant environ 12 expériences par heure et quelque 100 pendant la nuit. L'agent travaille sur une branche git dédiée, accumulant des commits à mesure qu'il découvre de meilleures configurations pour l'architecture du réseau, l'optimiseur et les hyperparamètres.

Points clés

• Un seul GPU suffit : pas besoin d'entraînement distribué ni d'infrastructure complexe — testé sur un seul NVIDIA H100
• Autonome : dépendances minimales au-delà de PyTorch, sans configurations externes
• L'humain garde le contrôle : le chercheur rédige des instructions de haut niveau en Markdown ; l'agent gère les détails d'implémentation
• Licence MIT : entièrement ouvert pour un usage commercial et académique

Pourquoi c'est important

La recherche en apprentissage automatique a longtemps été freinée par le cycle fastidieux hypothèse-implémentation-entraînement-évaluation. Autoresearch automatise la boucle d'implémentation et d'évaluation, permettant aux chercheurs de se concentrer sur le travail créatif de formulation d'hypothèses et d'interprétation des résultats.

L'outil illustre une tendance croissante vers la recherche agentique en IA — utiliser des agents IA non seulement comme assistants de programmation, mais comme expérimentateurs autonomes capables d'explorer de vastes espaces de paramètres plus rapidement que tout humain.

Réaction de la communauté

Le projet a suscité un enthousiasme considérable dans la communauté IA. Les développeurs ont salué son design minimaliste et l'accessibilité qu'il apporte à l'expérimentation autonome en ML. Le PDG de Shopify, Tobi Lutke, a publiquement partagé ses résultats après avoir fait tourner autoresearch pendant la nuit, rapportant une amélioration de 19 % des scores de validation sur un modèle personnalisé.

Et maintenant ?

Autoresearch se concentre actuellement sur des expériences d'entraînement LLM à petite échelle utilisant l'architecture nanochat. La communauté open source explore déjà des extensions pour des configurations multi-GPU et des architectures de modèles plus larges. Le projet est disponible sur GitHub sous licence MIT.

Source : karpathy/autoresearch sur GitHub