Um livro aberto com métodos, scripts e guias passo a passo para treinar, fazer fine-tuning e executar inferência em modelos de linguagem grandes e multimodais.
19,6 mil1,3 milPythonCC-BY-SA-4.0Atualizado ontem
OpenRaiser/NanoResearch
Pipeline autônomo de pesquisa que leva um tema da geração de ideias à programação, execução de experimentos em GPU/SLURM, análise, criação de figuras e elaboração de um artigo em LaTeX.
- Estrelas
- 1,338
- Forks
- 91
- Issues abertas
- 8
- Último commit
- há 14 dias
O que é?
NanoResearch é um pipeline em Python que automatiza de ponta a ponta um projeto de pesquisa em IA. Dado um tema, ele pesquisa a literatura usando OpenAlex e Semantic Scholar, elabora um plano experimental, gera código executável, envia tarefas de treinamento para uma GPU local ou um cluster SLURM, processa os logs e as métricas resultantes, cria figuras e redige um artigo em LaTeX, que passa por revisão e ajustes antes da exportação.
O pipeline é executado em nove etapas e armazena todos os artefatos intermediários em um workspace com um manifesto, permitindo retomar uma execução que falhou a partir da etapa em que parou. É possível direcionar cada etapa para modelos diferentes compatíveis com OpenAI, e falhas em experimentos acionam a análise dos logs e o reparo automático do código antes de uma nova tentativa. Os usuários podem operá-lo pela linha de comando, com uma TUI em tela cheia ou com saída de logs simples, por um bot do Feishu (Lark) ou pelo Claude Code e pelo Codex, usando instruções no nível do projeto.
O projeto é voltado a pesquisadores e equipes que querem obter um experimento funcional e um rascunho de artigo a partir de uma ideia de pesquisa, com os números do artigo baseados em execuções reais. O resultado é pensado como uma primeira versão que ainda precisa de revisão humana.
Recursos principais
- 01Pesquisa a literatura no OpenAlex e no Semantic Scholar durante a geração de ideias.
- 02Gera código para experimentos e envia tarefas para GPUs locais ou para o SLURM.
- 03Processa logs de treinamento e métricas para criar análises e figuras.
- 04Exporta um artigo em LaTeX com referências e código.
- 05Retoma qualquer etapa a partir do manifesto salvo no workspace.
- 06Direciona cada etapa do pipeline para um modelo compatível com OpenAI diferente.
Casos de uso
- Transformar uma ideia de pesquisa em um experimento executável com um rascunho de artigo.
- Executar experimentos em lote com vários temas para obter resultados reproduzíveis.
- Produzir uma primeira versão em LaTeX baseada em resultados reais de treinamento.
- Manter um registro auditável de cada etapa de uma execução automatizada de pesquisa.
Início rápido
- 1
Clone o repositório
git clone https://github.com/OpenRaiser/NanoResearch.git - 2
Dentro da pasta NanoResearch, instale o pacote em modo editável com as extras de desenvolvimento
pip install -e ".[dev]" - 3
Crie ~/.nanoresearch/config.json com seu base_url e api_key compatíveis com OpenAI
- 4
Valide a configuração com uma execução de teste
nanoresearch run --topic "Adaptive Sparse Attention Mechanisms" --dry-run
Antes de usar
- Você precisa fornecer seu próprio endpoint de API de LLM compatível com OpenAI e a chave correspondente para executar o pipeline.
- A execução real dos experimentos requer uma GPU local ou um cluster SLURM.
Em coleções
Tópicos
Perguntas frequentes
- O que é NanoResearch?
- Pipeline autônomo de pesquisa que leva um tema da geração de ideias à programação, execução de experimentos em GPU/SLURM, análise, criação de figuras e elaboração de um artigo em LaTeX. NanoResearch é um pipeline em Python que automatiza de ponta a ponta um projeto de pesquisa em IA. Dado um tema, ele pesquisa a literatura usando OpenAlex e Semantic Scholar, elabora um plano experimental, gera código executável, envia tarefas de treinamento para uma GPU local ou um cluster SLURM, processa os logs e as métricas resultantes, cria figuras e redige um artigo em LaTeX, que passa por revisão e ajustes antes da exportação.
- NanoResearch é gratuito? Qual é a licença?
- NanoResearch é open source sob a licença MIT. Confira os termos da licença antes de usá-lo em produtos comerciais.
- NanoResearch ainda é mantido?
- Manutenção ativa. O último commit de NanoResearch foi em 9 de out. de 2026.
- Para que posso usar NanoResearch?
- Transformar uma ideia de pesquisa em um experimento executável com um rascunho de artigo. Executar experimentos em lote com vários temas para obter resultados reproduzíveis. Produzir uma primeira versão em LaTeX baseada em resultados reais de treinamento. Manter um registro auditável de cada etapa de uma execução automatizada de pesquisa.
- Como instalar NanoResearch?
- Clone o repositório: git clone https://github.com/OpenRaiser/NanoResearch.git Dentro da pasta NanoResearch, instale o pacote em modo editável com as extras de desenvolvimento: pip install -e ".[dev]" Crie ~/.nanoresearch/config.json com seu base_url e api_key compatíveis com OpenAI Valide a configuração com uma execução de teste: nanoresearch run --topic "Adaptive Sparse Attention Mechanisms" --dry-run
- Onde consigo NanoResearch?
- O código-fonte e as instruções de instalação estão no GitHub: https://github.com/OpenRaiser/NanoResearch
Resumo gerado por IA a partir do README do projeto. As estatísticas do GitHub são atualizadas diariamente.
Projetos relacionados
Curso gratuito com licença MIT e 542 lições que ensina conceitos de engenharia de IA do zero em Python, TypeScript, Rust e Julia.
72,4 mil12,7 milPythonMITAtualizado há 2 horas
Plataforma Python open source para criar workflows de ML e IA como pipelines executados na sua própria infraestrutura ou na nuvem, do treinamento de modelos a agentes.
5,6 mil668PythonApache-2.0Atualizado há 8 horas
Cria modelos de machine learning a partir de uma intenção em linguagem natural e de um conjunto de dados tabular, usando um fluxo de trabalho multiagente.
2,6 mil263PythonApache-2.0Atualizado há 8 meses
Uma coleção comunitária de agentes personalizados, instruções, skills, hooks, workflows e plugins para personalizar o GitHub Copilot.
40,3 mil5,2 milJavaScriptMITAtualizado há 6 horas
Um framework Python para criar, escalar e implantar workflows de IA e ML, de protótipos em notebooks a orquestradores de produção.
10,3 mil1,4 milPythonApache-2.0Atualizado há 6 dias