Imbue 开源 Catalyst：进化驱动的自动化 AI 模型研究
2026 年 7 月 22 日，Imbue 发布并开源 Imbue Catalyst，一款面向计算科研与科学发现的 AI 工具。
核心成果
| 维度 | 内容 |
|---|---|
| 工具 | Imbue Catalyst（开源） |
| 方法 | 进化启发式优化 |
| 基准 | nanochat LLM |
| 效果 | 性能提升达常规 AutoResearch Agent 的 3 倍 |
Catalyst 能做什么
- 针对给定指标优化一段代码、算法或模型
- 寻找满足特定程序化验证条件的解
- 通过进化「解释多样性」逃逸线性 Agent 的死胡同
效率 vs 多样性权衡
单条线性优化路径高效但易陷入局部最优；进化式多路径探索牺牲部分效率，换来更强的全局搜索与逃逸死局能力。
研究脉络
延续「自我改进」路线：Darwin Godel Machine（改进 harness）、Karpathy AutoResearch、Recursive 自动化 AI 研究、Anthropic「When AI builds itself」。当前多在 toy 模型验证，但「下一代 LLM 由今天的 AI 协助构建」已成趋势。
AI Master 解读
核心事件
Imbue 开源 Imbue Catalyst，用进化启发式方法自动化 AI 模型研究，在 nanochat 上的优化效果是常规 AutoResearch Agent 的 3 倍。
行业影响
Catalyst 定位是科研工具，核心能力包括：针对给定指标优化一段代码、算法或模型；寻找满足特定程序化验证条件的解。与传统线性 Agent 容易陷入死胡同不同，Catalyst 通过「进化对解释（interpretation）的多样性」来逃逸局部最优——这正是「效率 vs 多样性」权衡的关键：单条线性优化路径高效但易卡死，进化式多路径探索牺牲部分效率换来更强的全局搜索能力。
这一工作延续了「自我改进」的研究脉络：从 Darwin Godel Machine 改进系统 harness，到 Andrej Karpathy 的 AutoResearch、Recursive 的自动化 AI 研究，再到 Anthropic「When AI builds itself」。尽管当前结果多在小型 toy 模型上，但「下一代 LLM 正由今天的 AI 系统协助构建」已成为清晰趋势。Imbue 把进化优化开源，降低了自动化 AI 研究门槛。
AI Master 建议
关注进化式优化在训练配方、架构搜索上的可扩展性；对研究团队，Catalyst 可作为 AutoResearch 类工作的开源基线，重点评估其在更大模型上的「效率 vs 多样性」权衡。