SakanaAI / AI-Scientist

Problem: 研究人员需要快速探索某个机器学习领域的新研究方向，但手动设计实验和撰写论文耗时耗力。

Solution: 使用AI Scientist的模板（如Grokking模板或Diffusion模板），让LLM自动生成研究想法、设计实验、运行代码并生成完整论文草稿。

Example: 想研究Transformer中的Grokking现象，只需配置Grokking模板，系统会自动生成多个研究思路（如权重初始化策略、层间学习率等），运行实验并输出类似《Grokking Accelerated: Layer-wise Learning Rates for Transformer Generalization》的论文。

Problem: 开发者有一个模糊的研究想法，但不确定是否可行，需要快速验证多个变体。

Solution: 利用项目的自动化实验流程，让LLM基于基础想法生成多个变体（如不同的模型架构、训练策略），并行运行实验并比较结果。

Example: 想改进低维数据的扩散模型，系统可以自动生成并测试“DualScale Diffusion”、“Multi-scale Grid Noise Adaptation”、“GAN-Enhanced Diffusion”等多种方案，快速找到有效方向。

Problem: 研究者困于本领域固有思维，需要跨领域的方法借鉴或灵感启发。

Solution: 通过配置不同的研究模板（如NanoGPT、2D Diffusion、Grokking），让LLM将其他领域的成功方法迁移到当前问题中，生成创新性研究提案。

Example: 研究语言模型时，系统可能借鉴扩散模型中的“多尺度噪声适应”思想，生成“StyleFusion: Adaptive Multi-style Generation in Character-Level Language Models”这样的跨领域论文。

Problem: 实验室或研究团队希望系统化探索某个大方向下的所有可能子问题，避免遗漏。

Solution: 使用AI Scientist进行大规模自动化探索，让LLM基于给定领域生成数十甚至上百个研究想法，自动筛选、实验并生成初步结论。

Example: 在“扩散模型改进”这个大方向下，系统可自动运行50+个不同想法（如项目示例中的多个扩散模型论文），快速绘制该领域的研究地图和潜力点。