据X平台用户God of Prompt发布的贴文，两位研究者构建了双层自动研究系统：外循环读取内循环源码，基于结构化对话定位瓶颈，生成替换Python并在运行时热插补，若失败自动回滚，实现相对基线5倍的验证bpb提升。该贴文指出，传统自研循环反复尝试增大TOTAL_BATCH_SIZE并陷入路径依赖；AI生成的外循环引入“禁忌搜索管理器”和“正交系统化探索”，避免重复区域并强制多维探索，关键发现是将TOTAL_BATCH_SIZE从2^19降至2^17带来最大收益。根据该贴文，单纯参数微调的外循环无显著提升，而可重写结构框架的外循环带来每次迭代−0.045的val_bpb改进（基线为−0.009），6个生成机制中5个一次导入成功，1个因依赖sklearn被自动回退。此结果为MLOps与AutoML提供商带来机会：将LLM代码生成用于在线重构优化架构，减少人力干预并提升搜索效率。