大型语言模型（LLMs）的快速进展有可能助力科学进步。实现这一目标的关键能力之一是能够复现现有工作。为了评估人工智能代理在活跃研究领域中复现结果的能力，我们引入了自动化LLM速通基准测试（Automated LLM Speedrunning Benchmark），该基准测试利用了纳米GPT速通竞赛（NanoGPT speedrun）中的研究社区贡献，这是一项旨在以最短时间训练GPT-2模型的比赛。该基准测试包含19个速通任务，每个任务都向代理提供之前的记录训练脚本，并可选择性地附带三种提示格式中的一种，这些提示格式从伪代码到类似论文的描述，涵盖了新记录改进的各种细节。这些记录设计上执行速度很快，而速通改进则包括多样的代码级变更，从高层次的算法改进到硬件感知优化不一而足。这些特点使得该基准测试既易于访问又具有现实性，适用于前沿问题——即如何改进LLM的训练过程。我们发现，即使提供了详细的提示，最近的推理型LLM结合最先进的框架（SoTA scaffolds）仍然难以在我们的基准测试中重新实现已知的创新。因此，我们的基准测试为评估LLM自动复现科学研究的能力提供了一个简单且未饱和的度量标准，这是自主研究代理所需的一项必要（但非充分）技能。