1条命令让AI-Scientist全自动跑通想法→实验→论文【免费下载链接】AI-ScientistThe AI Scientist: Towards Fully Automated Open-Ended Scientific Discovery 项目地址: https://gitcode.com/GitHub_Trending/ai/AI-Scientist干全自动科学发现的不止是你还有 AI-Scientist你睡觉时它自己提出研究想法、改代码、跑训练早上交回一篇 LaTeX 论文的 PDF 和一份同行评审。这套开源系统把假设→实验→写论文→审稿整条链路压成一个全自动流水线人类只负责一次性搭好模板。下面带你走一遍最快上手路径以及怎么换成自己的研究领域。它能干什么4件不用自己动手的事 核心就是省人力生成想法、跑实验、写论文、审论文这四件事都不需要你出手。全自动写论文指向一个实验模板它自动产出研究想法、修改实验代码、跑训练最后输出 ICLR 格式的完整论文 PDF。自动同行评审生成的论文按 NeurIPS 审稿表打分给出 1-10 总分和 Accept/Reject 决定也能对 ICLR 论文集做批量评审。多领域开箱即用自带 nanoGPT、2D 扩散、grokking、SEIR 传染病、MobileNetV3 分类等 10 多个模板。多卡并行出结果不同想法分派到不同 GPU 并行跑加--improvement还能让它根据评审意见自动改稿重编译。最快跑通路径5条命令从0到论文以下 5 条命令是从空目录到出论文的最短链路不含训练等待时间大概 10 分钟就能启动。先克隆仓库并进入目录。git clone https://gitcode.com/GitHub_Trending/ai/AI-Scientist cd AI-Scientist建 conda 环境并装依赖texlive-full 负责 LaTeX 编译卡住时按住 Enter。conda create -n ai_scientist python3.11 conda activate ai_scientist sudo apt-get install texlive-full pip install -r requirements.txt准备 nanoGPT 模板要的三份语料脚本自动下载并切 token。python data/enwik8/prepare.py python data/shakespeare_char/prepare.py python data/text8/prepare.py在本机跑一次基线这一步不能省原因放在踩坑部分讲。cd templates/nanoGPT_lite python experiment.py --out_dir run_0 python plot.py主角登场——回根目录启动 AI-Scientist2 个想法是最小可行成本。cd ../.. python launch_scientist.py --model gpt-4o-2024-05-13 --experiment nanoGPT_lite --num-ideas 2想换 2d_diffusion 模板的话要先装 NPEET 和 scikit-learn否则 experiment.py 会直接报错。深入跑一个场景nanoGPT_lite 全流程 关键参数都在 launch_scientist.py 的命令行解析里值得记的有这几个--model选 LLM--experiment对应 templates/ 下的目录名--num-ideas控制生成想法数--parallel和--gpus管多卡并行--improvement触发审稿后的自动改稿--engine切换语义学术检索源。整条流水线分四步ai_scientist/generate_ideas.py 生成想法并做查新ai_scientist/perform_experiments.py 借 aider 让 LLM 改代码并跑多组实验然后编译 LaTeX 论文最后调 GPT-4o 评审。完整参数组合长这样5 个想法、2 卡并行、审稿后自动改稿。python launch_scientist.py --model claude-3-5-sonnet-20241022 \ --experiment nanoGPT_lite --num-ideas 5 \ --parallel 2 --gpus 0,1 --improvement --engine openalex每个通过查新的想法会在results/nanoGPT_lite/下建一个时间戳文件夹里面有改好的 experiment.py、画图脚本 plot.py、各轮 run 的 final_info.json、编译出的 PDF、评审分数的 review.txt 和完整日志。系统写出来的论文长这样下面两张取自它自动生成的扩散模型论文说白了质量确实参差有的想法会在实验阶段卡死但论文 一份诚实的审稿这个产出是实打实的。评审逻辑在 ai_scientist/perform_review.py单独拎出来给任意 PDF 打分的用法import openai from ai_scientist.perform_review import load_paper, perform_review client openai.OpenAI() paper_txt load_paper(results/nanoGPT_lite/时间戳_名字/名字.pdf) review perform_review(paper_txt, gpt-4o-2024-05-13, client, num_reflections5, num_fs_examples1, num_reviews_ensemble5, temperature0.1) print(review[Overall], review[Decision])改成你自己的5个文件搭一个新模板想让 AI-Scientist 在你的领域做实验只需在 templates/ 下新建一个目录5 个文件齐活experiment.py核心实验脚本接收--out_dir把结果 JSON 写进 run_N/final_info.jsonplot.py读 run 目录出图代码写得越清楚 LLM 越容易改prompt.json一两句话描述模板在做什么seed_ideas.json1-2 个初始想法latex/template.tex论文模板唯一的硬约束是文件名和输出 JSON 结构要对齐现有模板因为主流程写死了读 run_0/final_info.json 做基线对比见 launch_scientist.py 的 do_idea格式对得上其余随便改。seed_ideas.json 长这样[{Name: your_idea, Title: 论文标题, Experiment: 改哪个组件、和基线比什么指标, Interestingness: 6, Feasibility: 5, Novelty: 4}]想换模型就在 ai_scientist/llm.py 的 AVAILABLE_LLMS 里加一行再补对应 client 分支。SEIR、MobileNetV3、sketch_rnn、MACE、地震预测、tensorf 这 6 个社区模板都是好参照。它真实产出的 10 篇完整论文都放在 example_papers/这张样本网格就是其中扩散论文的图踩坑实录现象→根因→解法 ⚠️下面是实跑时的高频问题全按现象→根因→解法给对照着查。PDF 不生成、进程秒退现象launch_scientist.py 跑几秒就结束。 根因主流程预检 pdflatex 和 chktex缺一个直接退出。 解法装 texlive-full安装卡住时按住 Enter 不放。实验文件夹缺文件、实验失败现象results/ 里的 experiment.py 报找不到数据。 根因只跑了基线跳过了语料准备。 解法先把 data/ 下对应模板的三个 prepare.py 跑完。基线数字和论文里对不上现象run_0 的速度快慢差异很大。 根因final_info.json 就是你本机的速度基线主流程拿它做运行时对比。 解法在哪台机器跑实验就在哪台机器跑python experiment.py --out_dir run_0别复用别人的。文献查新慢或超时现象novelty check 阶段卡很久。 根因默认--engine是 semanticscholar没 key 时吞吐有限。 解法换--engine openalex需pip install pyalex并设 OPENALEX_MAIL_ADDRESS或者直接--skip-novelty-check。成功率低或账单飙高现象很多想法没跑完API 费用涨得快。 根因弱模型改不动代码想法越多花费越多。 解法Claude 3.5 Sonnet 成功率最高deepseek-coder 便宜得多先用--num-ideas控量它执行 LLM 生成的代码正式使用建议按 experimental/Dockerfile 容器化docker run -e OPENAI_API_KEY$OPENAI_API_KEY \ -v pwd/templates:/app/AI-Scientist/templates AI_SCIENTIST_IMAGE \ --model gpt-4o-2024-05-13 --experiment 2d_diffusion --num-ideas 2它把想法→实验→论文→评审压缩成一条能真的跑通的全自动流水线这件事本身就稀缺。别光读把上面--num-ideas 2那条命令现在就跑起来明天你手里就有第一份 AI 写的论文 PDF。【免费下载链接】AI-ScientistThe AI Scientist: Towards Fully Automated Open-Ended Scientific Discovery 项目地址: https://gitcode.com/GitHub_Trending/ai/AI-Scientist创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
1条命令让AI-Scientist全自动跑通“想法→实验→论文“
1条命令让AI-Scientist全自动跑通想法→实验→论文【免费下载链接】AI-ScientistThe AI Scientist: Towards Fully Automated Open-Ended Scientific Discovery 项目地址: https://gitcode.com/GitHub_Trending/ai/AI-Scientist干全自动科学发现的不止是你还有 AI-Scientist你睡觉时它自己提出研究想法、改代码、跑训练早上交回一篇 LaTeX 论文的 PDF 和一份同行评审。这套开源系统把假设→实验→写论文→审稿整条链路压成一个全自动流水线人类只负责一次性搭好模板。下面带你走一遍最快上手路径以及怎么换成自己的研究领域。它能干什么4件不用自己动手的事 核心就是省人力生成想法、跑实验、写论文、审论文这四件事都不需要你出手。全自动写论文指向一个实验模板它自动产出研究想法、修改实验代码、跑训练最后输出 ICLR 格式的完整论文 PDF。自动同行评审生成的论文按 NeurIPS 审稿表打分给出 1-10 总分和 Accept/Reject 决定也能对 ICLR 论文集做批量评审。多领域开箱即用自带 nanoGPT、2D 扩散、grokking、SEIR 传染病、MobileNetV3 分类等 10 多个模板。多卡并行出结果不同想法分派到不同 GPU 并行跑加--improvement还能让它根据评审意见自动改稿重编译。最快跑通路径5条命令从0到论文以下 5 条命令是从空目录到出论文的最短链路不含训练等待时间大概 10 分钟就能启动。先克隆仓库并进入目录。git clone https://gitcode.com/GitHub_Trending/ai/AI-Scientist cd AI-Scientist建 conda 环境并装依赖texlive-full 负责 LaTeX 编译卡住时按住 Enter。conda create -n ai_scientist python3.11 conda activate ai_scientist sudo apt-get install texlive-full pip install -r requirements.txt准备 nanoGPT 模板要的三份语料脚本自动下载并切 token。python data/enwik8/prepare.py python data/shakespeare_char/prepare.py python data/text8/prepare.py在本机跑一次基线这一步不能省原因放在踩坑部分讲。cd templates/nanoGPT_lite python experiment.py --out_dir run_0 python plot.py主角登场——回根目录启动 AI-Scientist2 个想法是最小可行成本。cd ../.. python launch_scientist.py --model gpt-4o-2024-05-13 --experiment nanoGPT_lite --num-ideas 2想换 2d_diffusion 模板的话要先装 NPEET 和 scikit-learn否则 experiment.py 会直接报错。深入跑一个场景nanoGPT_lite 全流程 关键参数都在 launch_scientist.py 的命令行解析里值得记的有这几个--model选 LLM--experiment对应 templates/ 下的目录名--num-ideas控制生成想法数--parallel和--gpus管多卡并行--improvement触发审稿后的自动改稿--engine切换语义学术检索源。整条流水线分四步ai_scientist/generate_ideas.py 生成想法并做查新ai_scientist/perform_experiments.py 借 aider 让 LLM 改代码并跑多组实验然后编译 LaTeX 论文最后调 GPT-4o 评审。完整参数组合长这样5 个想法、2 卡并行、审稿后自动改稿。python launch_scientist.py --model claude-3-5-sonnet-20241022 \ --experiment nanoGPT_lite --num-ideas 5 \ --parallel 2 --gpus 0,1 --improvement --engine openalex每个通过查新的想法会在results/nanoGPT_lite/下建一个时间戳文件夹里面有改好的 experiment.py、画图脚本 plot.py、各轮 run 的 final_info.json、编译出的 PDF、评审分数的 review.txt 和完整日志。系统写出来的论文长这样下面两张取自它自动生成的扩散模型论文说白了质量确实参差有的想法会在实验阶段卡死但论文 一份诚实的审稿这个产出是实打实的。评审逻辑在 ai_scientist/perform_review.py单独拎出来给任意 PDF 打分的用法import openai from ai_scientist.perform_review import load_paper, perform_review client openai.OpenAI() paper_txt load_paper(results/nanoGPT_lite/时间戳_名字/名字.pdf) review perform_review(paper_txt, gpt-4o-2024-05-13, client, num_reflections5, num_fs_examples1, num_reviews_ensemble5, temperature0.1) print(review[Overall], review[Decision])改成你自己的5个文件搭一个新模板想让 AI-Scientist 在你的领域做实验只需在 templates/ 下新建一个目录5 个文件齐活experiment.py核心实验脚本接收--out_dir把结果 JSON 写进 run_N/final_info.jsonplot.py读 run 目录出图代码写得越清楚 LLM 越容易改prompt.json一两句话描述模板在做什么seed_ideas.json1-2 个初始想法latex/template.tex论文模板唯一的硬约束是文件名和输出 JSON 结构要对齐现有模板因为主流程写死了读 run_0/final_info.json 做基线对比见 launch_scientist.py 的 do_idea格式对得上其余随便改。seed_ideas.json 长这样[{Name: your_idea, Title: 论文标题, Experiment: 改哪个组件、和基线比什么指标, Interestingness: 6, Feasibility: 5, Novelty: 4}]想换模型就在 ai_scientist/llm.py 的 AVAILABLE_LLMS 里加一行再补对应 client 分支。SEIR、MobileNetV3、sketch_rnn、MACE、地震预测、tensorf 这 6 个社区模板都是好参照。它真实产出的 10 篇完整论文都放在 example_papers/这张样本网格就是其中扩散论文的图踩坑实录现象→根因→解法 ⚠️下面是实跑时的高频问题全按现象→根因→解法给对照着查。PDF 不生成、进程秒退现象launch_scientist.py 跑几秒就结束。 根因主流程预检 pdflatex 和 chktex缺一个直接退出。 解法装 texlive-full安装卡住时按住 Enter 不放。实验文件夹缺文件、实验失败现象results/ 里的 experiment.py 报找不到数据。 根因只跑了基线跳过了语料准备。 解法先把 data/ 下对应模板的三个 prepare.py 跑完。基线数字和论文里对不上现象run_0 的速度快慢差异很大。 根因final_info.json 就是你本机的速度基线主流程拿它做运行时对比。 解法在哪台机器跑实验就在哪台机器跑python experiment.py --out_dir run_0别复用别人的。文献查新慢或超时现象novelty check 阶段卡很久。 根因默认--engine是 semanticscholar没 key 时吞吐有限。 解法换--engine openalex需pip install pyalex并设 OPENALEX_MAIL_ADDRESS或者直接--skip-novelty-check。成功率低或账单飙高现象很多想法没跑完API 费用涨得快。 根因弱模型改不动代码想法越多花费越多。 解法Claude 3.5 Sonnet 成功率最高deepseek-coder 便宜得多先用--num-ideas控量它执行 LLM 生成的代码正式使用建议按 experimental/Dockerfile 容器化docker run -e OPENAI_API_KEY$OPENAI_API_KEY \ -v pwd/templates:/app/AI-Scientist/templates AI_SCIENTIST_IMAGE \ --model gpt-4o-2024-05-13 --experiment 2d_diffusion --num-ideas 2它把想法→实验→论文→评审压缩成一条能真的跑通的全自动流水线这件事本身就稀缺。别光读把上面--num-ideas 2那条命令现在就跑起来明天你手里就有第一份 AI 写的论文 PDF。【免费下载链接】AI-ScientistThe AI Scientist: Towards Fully Automated Open-Ended Scientific Discovery 项目地址: https://gitcode.com/GitHub_Trending/ai/AI-Scientist创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
