Adaption startet mit AutoScientist ein Werkzeug, das automatisiertes Feintuning für KI-Modelle verspricht. Der Ansatz co-optimiert Daten und Modell, soll neue Fähigkeiten schneller lernen und Trainings jenseits großer Labs erleichtern. Nutzerinnen und Nutzer können das Tool 30 Tage lang kostenlos testen. Was bedeutet das konkret – und wo liegen Chancen und Grenzen? Künstliche Intelligenz entwickelt sich rasant. Forschende warten seit Jahren auf den Moment, in dem Modelle sich selbst besser verbessern können als Menschen es schaffen. Mit frischem Kapital für neue, forschungsgetriebene Labs rückt diese Idee näher. Jetzt setzt Adaption, gegründet von Sara Hooker (ehemals VP AI Research bei Cohere), einen markanten Punkt: AutoScientist soll den Schritt vom stetig wachsenden Datensatz zum stetig besseren Modell automatisieren.

Was AutoScientist leisten will – automatisiertes Feintuning für KI-Modelle

AutoScientist beschleunigt laut Adaption das Erlernen neuer Fähigkeiten, indem es den etablierten Feintuning-Prozess automatisiert. Der Clou: Das System optimiert Daten und Modell gemeinsam. So soll es „on the fly“ den besten Weg finden, eine gewünschte Fähigkeit zu erwerben. Ziel ist es, das Training und Feintuning auch für sehr leistungsfähige Modelle zu vereinfachen und zu beschleunigen – und zwar nicht nur in den großen, geschlossenen Forschungslabs.

Der Ansatz: Daten und Modell gemeinsam denken

Sara Hooker beschreibt den Kern: AutoScientist koordiniert Datenauswahl und Modellanpassung. Es lernt, wie ein Modell eine neue Fähigkeit am effektivsten lernt. Dieser Blick auf das Gesamtsystem unterscheidet sich von klassischen Pipelines, in denen Datenaufbereitung und Feintuning getrennt laufen. Das verspricht weniger Reibung und schnellere Iterationen.

Verbindung zu Adaptive Data

AutoScientist baut auf Adaptions bestehendem Angebot „Adaptive Data“ auf. Diese Datenebene zielt darauf ab, Datensätze über die Zeit qualitativ zu verbessern. AutoScientist übersetzt diesen fortlaufenden Datenfortschritt direkt in Modellfortschritt. So entsteht ein Kreislauf: Bessere Daten befeuern das Training, das Training informiert wiederum, welche Daten als Nächstes wichtig sind.

Wo der Nutzen liegt – und was offen bleibt

Adaption meldet, AutoScientist habe „Win-Rates“ über verschiedene Modelle hinweg mehr als verdoppelt. Das klingt stark, ist aber schwer einzuordnen. Weil AutoScientist Modelle sehr gezielt an Aufgaben anpasst, greifen Standard-Benchmarks wie SWE-Bench oder ARC-AGI hier nicht. Ein direkter Vergleich fällt daher schwer. Der praktische Test wird entscheidend sein, und genau dazu lädt Adaption ein: 30 Tage kostenlos ausprobieren.

Pluspunkt: schnelle Iteration zwischen Datenauswahl und Modellupdate

Pluspunkt: potenziell geringere Hürden für Teams ohne riesiges Forschungslab

Offen: belastbare, vergleichbare Metriken über verschiedene Aufgaben hinweg

Zugang: 30 Tage kostenlos testen

Zum Start macht Adaption den Zugang einfach: AutoScientist ist in den ersten 30 Tagen kostenfrei nutzbar. Das senkt die Einstiegshürde und erlaubt Teams, den eigenen Nutzen im echten Arbeitsalltag zu prüfen – von der Datenkurierung bis zum nächsten Feintuning-Run.

Warum das Timing zählt

Die Aussage von Hooker ist deutlich: Wenn Daten und Modell parallel lernen, könnten mehr Teams erfolgreiche Trainings durchführen – auch abseits der großen Labs. Das erinnert an den Sprung, den Code-Generierung für viele Aufgaben brachte. Ein ähnlicher Effekt ist hier möglich: automatisiertes Feintuning für KI-Modelle könnte neue Experimente, schnellere Lernschleifen und mehr Innovation anstoßen.

Breite Anwendbarkeit, fokussierte Wirkung

Der Ansatz von AutoScientist ist laut Adaption auf viele Felder übertragbar. Der Schwerpunkt liegt aber auf dem beschleunigten Feintuning leistungsstarker Modelle. Das heißt: Statt ein Allzweck-Benchmark zu schlagen, geht es darum, ein Modell präzise auf eine Zielaufgabe zu bringen – und den Weg dorthin zu automatisieren.

Einordnung für Teams

Wer heute mit Modellen arbeitet, kennt die Engpässe: Datenauswahl, Qualitätssicherung, Iterationen, Kosten. Ein Tool, das Datenfluss und Modellupdate eng verzahnt, adressiert genau diese Punkte. Gleichzeitig bleibt wichtig, Ergebnisse in den eigenen Metriken zu messen, weil generische Benchmarks hier weniger sagen. Die Entscheidung, ob AutoScientist passt, sollte daher auf realen Aufgaben, klaren Qualitätszielen und Kontrollgruppen basieren.

Start mit einer klar umrissenen Zielaufgabe

Eigene Evaluationsmetriken definieren und konstant prüfen

Datenpfade nachvollziehbar halten, um Lernsprünge zu verstehen

Iterationen kurz halten und Ergebnisse dokumentieren

Ausblick: Mehr Eigenständigkeit im Training

AutoScientist steht für einen Trend: Systeme, die nicht nur Modelle, sondern auch Datenprozesse aktiv steuern. Wenn dieser Ansatz trägt, verschiebt sich die Arbeit vom manuellen Feintuning hin zu überwachter Automatisierung. Für viele Teams könnte das heißen: weniger Setup-Zeit, mehr Fokus auf Zielqualität. Und genau dort könnte automatisiertes Feintuning für KI-Modelle seinen größten Mehrwert entfalten. Am Ende zählt, ob der Ansatz im Alltag trägt: Lernt das Modell schneller, stabiler und mit weniger Aufwand? Adaption ist überzeugt und öffnet die Tür für einen risikofreien Testzeitraum. Wer aktuell neue Fähigkeiten trainieren will, kann jetzt prüfen, ob automatisiertes Feintuning für KI-Modelle den eigenen Workflow wirklich beschleunigt – und so den nächsten Schritt zur selbstverbessernden KI möglich macht.

(Source: https://techcrunch.com/2026/05/13/adaption-aims-big-with-autoscientist-an-ai-tool-that-helps-models-train-themselves/)

For more news: Click Here

FAQ