Un libro abierto de métodos, scripts y guías paso a paso para entrenar, ajustar y ejecutar inferencias con modelos de lenguaje grandes y multimodales.
19,6 mil1,3 milPythonCC-BY-SA-4.0Actualizado ayer
OpenRaiser/NanoResearch
Pipeline de investigación autónomo que lleva un tema desde la generación de ideas hasta el código, los experimentos en GPU/SLURM, el análisis, las figuras y un artículo en LaTeX.
- Estrellas
- 1,338
- Forks
- 91
- Issues abiertos
- 8
- Último commit
- hace 14 días
¿Qué es?
NanoResearch es un pipeline de Python que automatiza de principio a fin un proyecto de investigación en IA. A partir de un tema, busca bibliografía en OpenAlex y Semantic Scholar, diseña un plan experimental, genera código ejecutable, envía trabajos de entrenamiento a una GPU local o a un clúster SLURM, analiza los registros y las métricas resultantes, genera figuras y redacta un artículo en LaTeX que se revisa y corrige antes de exportarlo.
El pipeline se ejecuta en nueve etapas y guarda cada artefacto intermedio en un workspace con un manifiesto, por lo que se puede reanudar una ejecución fallida desde la etapa en la que se detuvo. Las etapas se pueden asignar a distintos modelos compatibles con OpenAI, y los fallos en los experimentos activan el análisis de registros y la reparación automática del código antes de volver a intentarlo. Se puede controlar desde la línea de comandos, con una TUI a pantalla completa o con una salida de registros sencilla; desde un bot de Feishu (Lark); o mediante Claude Code y Codex, con instrucciones a nivel de proyecto.
El proyecto está dirigido a investigadores y equipos que quieran obtener un experimento funcional y un borrador de manuscrito a partir de una idea de investigación, con cifras basadas en ejecuciones reales. El resultado está pensado como un primer borrador que todavía requiere revisión humana.
Funciones clave
- 01Busca bibliografía en OpenAlex y Semantic Scholar durante la generación de ideas.
- 02Genera código para experimentos y envía trabajos a GPU locales o a SLURM.
- 03Analiza los registros de entrenamiento y las métricas para elaborar análisis y figuras.
- 04Exporta un artículo en LaTeX con referencias y código.
- 05Reanuda cualquier etapa a partir del manifiesto guardado en el workspace.
- 06Asigna cada etapa del pipeline a un modelo distinto compatible con OpenAI.
Casos de uso
- Convertir una idea de investigación en un experimento ejecutable con un borrador de artículo.
- Ejecutar experimentos por lotes en varios temas para obtener resultados reproducibles.
- Crear un primer borrador en LaTeX basado en resultados reales de entrenamiento.
- Mantener un registro auditable de cada paso de una ejecución de investigación automatizada.
Inicio rápido
- 1
Clona el repositorio
git clone https://github.com/OpenRaiser/NanoResearch.git - 2
Desde la carpeta NanoResearch, instala el paquete en modo editable con las extras de desarrollo
pip install -e ".[dev]" - 3
Crea ~/.nanoresearch/config.json con tu base_url y api_key compatibles con OpenAI
- 4
Valida la configuración con una ejecución de prueba
nanoresearch run --topic "Adaptive Sparse Attention Mechanisms" --dry-run
Antes de usarlo
- Debes proporcionar tu propio endpoint de API de LLM compatible con OpenAI y su clave para ejecutar el pipeline.
- La ejecución real de los experimentos requiere una GPU local o un clúster SLURM.
En colecciones
Temas
Preguntas frecuentes
- ¿Qué es NanoResearch?
- Pipeline de investigación autónomo que lleva un tema desde la generación de ideas hasta el código, los experimentos en GPU/SLURM, el análisis, las figuras y un artículo en LaTeX. NanoResearch es un pipeline de Python que automatiza de principio a fin un proyecto de investigación en IA. A partir de un tema, busca bibliografía en OpenAlex y Semantic Scholar, diseña un plan experimental, genera código ejecutable, envía trabajos de entrenamiento a una GPU local o a un clúster SLURM, analiza los registros y las métricas resultantes, genera figuras y redacta un artículo en LaTeX que se revisa y corrige antes de exportarlo.
- ¿NanoResearch es gratuito? ¿Qué licencia tiene?
- NanoResearch es open source bajo la licencia MIT. Revisa los términos de la licencia antes de usarlo en productos comerciales.
- ¿NanoResearch sigue mantenido?
- Mantenimiento activo. El último commit de NanoResearch fue el 9 oct 2026.
- ¿Para qué puedo usar NanoResearch?
- Convertir una idea de investigación en un experimento ejecutable con un borrador de artículo. Ejecutar experimentos por lotes en varios temas para obtener resultados reproducibles. Crear un primer borrador en LaTeX basado en resultados reales de entrenamiento. Mantener un registro auditable de cada paso de una ejecución de investigación automatizada.
- ¿Cómo se instala NanoResearch?
- Clona el repositorio: git clone https://github.com/OpenRaiser/NanoResearch.git Desde la carpeta NanoResearch, instala el paquete en modo editable con las extras de desarrollo: pip install -e ".[dev]" Crea ~/.nanoresearch/config.json con tu base_url y api_key compatibles con OpenAI Valida la configuración con una ejecución de prueba: nanoresearch run --topic "Adaptive Sparse Attention Mechanisms" --dry-run
- ¿Dónde consigo NanoResearch?
- El código fuente y las instrucciones de instalación están en GitHub: https://github.com/OpenRaiser/NanoResearch
Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.
Proyectos relacionados
Curso gratuito con licencia MIT y 542 lecciones para aprender conceptos de ingeniería de IA desde cero con Python, TypeScript, Rust y Julia.
72,4 mil12,7 milPythonMITActualizado hace 2 horas
Plataforma de Python de código abierto para crear flujos de trabajo de ML e IA como pipelines que se ejecutan en infraestructura propia o en la nube, desde el entrenamiento de modelos hasta los agentes.
5,6 mil668PythonApache-2.0Actualizado hace 8 horas
Crea modelos de machine learning a partir de una intención en lenguaje natural y un conjunto de datos tabular mediante un flujo de trabajo multiagente.
2,6 mil263PythonApache-2.0Actualizado hace 8 meses
Colección comunitaria de agentes personalizados, instrucciones, skills, hooks, flujos de trabajo y plugins para personalizar GitHub Copilot.
40,3 mil5,2 milJavaScriptMITActualizado hace 6 horas
Framework de Python para crear, escalar y desplegar flujos de trabajo de IA y ML, desde prototipos en notebooks hasta orquestadores de producción.
10,3 mil1,4 milPythonApache-2.0Actualizado hace 6 días