ML-Master - KI-Experten-Agent von SJTU eingeführt

Was ist ML-Master

ML-Master ist eine KI-Expertenintelligenz, die vom Agenten-Team der School of Artificial Intelligence der Shanghai Jiao Tong University entwickelt wurde. ML-Master schneidet im maßgeblichen OpenAI-Benchmark-Test MLE-bench sehr gut ab, führt die Liste mit einer durchschnittlichen Medaillenrate von 29,3% an und übertrifft damit Konkurrenten wie Microsofts RD-Agent und OpenAIs AIDE usw. ML-Master verbessert die KI-Leistung im Bereich des maschinellen Lernens durch das innovative Paradigma der "tiefen Integration von Exploration und Inferenz", das die kognitiven Strategien menschlicher Experten simuliert und umfassende Exploration und tiefe Inferenz integriert. ML-Master verbessert die KI-Leistung beim maschinellen Lernen durch ein innovatives Paradigma der "tiefen Integration von Erkundung und Schlussfolgerung", das die kognitiven Strategien menschlicher Experten nachahmt und umfassende Erkundung und tiefe Schlussfolgerung integriert. ML-Master verwendet ein ausgewogenes Multi-Trajektorien-Explorations- und ein kontrolliertes Schlussfolgerungsmodul und realisiert die effiziente Synergie zwischen den beiden durch den adaptiven Speichermechanismus.

Hauptfunktionen von ML-Master

• Tiefe Integration von Erkundung und ArgumentationML-Master verbessert die KI-Leistung erheblich durch die Integration von breiter Exploration und tiefem Denken durch ein innovatives Paradigma der "Fusion von tiefer Exploration und Denken", das die kognitiven Strategien von menschlichen Experten nachahmt.
• Starke Fähigkeit zur SelbstevolutionML-Master verbessert die Qualität der Lösung während mehrerer Runden der Aufgabenausführung kontinuierlich, was zu einer endgültigen Leistungsverbesserung von mehr als 1.201 TP3T im Vergleich zur ursprünglichen Version führt.

Projektadresse von ML-Master

• Projekt-Website:: https://sjtu-sai-agents.github.io/ML-Master/
• Github-Repositorien:: https://github.com/sjtu-sai-agents/ML-Master
• arXiv Technisches Papier:: https://arxiv.org/pdf/2506.16499

Technisches Prinzip von ML-Master

• Ausgewogene Multitrajektorien-Exploration (BME)
  • MCTS-inspirierte BaumsucheModellierung des KI-Entwicklungsprozesses als Entscheidungsbaum, wobei jeder Knoten den Zustand einer KI-Lösung darstellt.
  • parallele EntdeckungsstrategieExploration mehrerer Lösungszweige gleichzeitig, wodurch die Grenzen der herkömmlichen seriellen Exploration durchbrochen und die Effizienz der Exploration erheblich verbessert werden.
  • Dynamische PrioritätensetzungDynamische Zuweisung von Rechenressourcen auf der Grundlage des potenziellen Werts jedes Zweigs, um ineffektive Erkundungen zu vermeiden.
• Lenkbares Denken (Steerable Reasoning)
  • adaptiver SpeichermechanismusDie genaue Extraktion von Schlüsselinformationen, um eine Informationsüberlastung zu vermeiden, und die intelligente Filterung gültiger Informationen aus der historischen Erkundung, um sicherzustellen, dass der Schlussfolgerungsprozess auf relevanterem Wissen basiert.
  • Kontextabhängige EntscheidungsfindungFühren Sie fundierte Analysen im Kontext konkreter Umsetzungsrückmeldungen und Erfolgsgeschichten durch, um "kopfzerbrechende" Entscheidungen zu vermeiden.
  • Geschlossenes LernsystemDas Ergebnis der Erkundung fließt in Echtzeit in den Denkprozess ein und bildet einen positiven Kreislauf von "Erkundung → Denken → Optimierung → erneute Erkundung".
• Adaptive Speichermechanismen (Adaptiver Speicher)
  • Intelligenter SpeicheraufbauDas Explorationsmodul sammelt automatisch Ausführungsergebnisse, Codeschnipsel und Leistungsmetriken und integriert dabei selektiv Schlüsselinformationen von übergeordneten und parallelen Geschwisterknoten.
  • Embedded Reasoning EntscheidungsfindungGedächtnisinformationen werden direkt in den Entscheidungsteil des Inferenzmodells eingebettet, um sicherzustellen, dass jede Inferenz auf spezifischem historischem Ausführungsfeedback und Erfahrungen aus verschiedenen Erkundungen basiert.
  • Ko-evolutionäre MechanismenDie Ergebnisse des Denkens geben die Richtung der anschließenden Erkundung vor, und die Erfahrung der Erkundung bereichert weiterhin den Denkprozess, so dass eine tiefe Integration von Erkundung und Denken erreicht wird.

Die wichtigsten Vorteile von ML-Master

• überragende LeistungIn OpenAIs MLE-Bench Benchmark lag ML-Master mit einer durchschnittlichen Medaillenrate von 29,31 TP3T an der Spitze und damit deutlich vor den Systemen von Microsoft und OpenAI.
• Effizientes RechnenTests sind in nur 12 Stunden abgeschlossen, und das bei der Hälfte der Rechenkosten im Vergleich zu herkömmlichen Methoden.
• VerallgemeinerungsfähigkeitDie Medaillen sind in allen Schwierigkeitsgraden überragend, wobei die Medaillenrate insbesondere bei Aufgaben mit mittlerem Schwierigkeitsgrad um das 2,2-fache ansteigt.

Für wen ist ML-Master geeignet?

• KI-Forscher und -EntwicklerML-Master hilft ihnen, schnell mehrere Lösungen zu untersuchen, den Zeitaufwand für manuelle Fehlersuche und Optimierung zu reduzieren und sich auf Modellinnovation und Algorithmusverbesserung zu konzentrieren.
• DatenwissenschaftlerML-Master automatisiert Aufgaben wie Datenvorverarbeitung, Feature-Engineering, Modellauswahl und Parameterabstimmung und hilft Datenwissenschaftlern, Zeit und Mühe zu sparen und sich auf die Gewinnung von Dateneinblicken und Geschäftswerten zu konzentrieren.
• Ingenieur für maschinelles LernenML-Master: Die effiziente Rechenleistung und der Mechanismus der Selbstevolution helfen den Ingenieuren, Modelle schnell zu iterieren und ihre Leistung in realen Einsätzen zu optimieren und gleichzeitig die Rechenkosten zu senken.
• Universitäten und ForschungsinstituteML-Master ist dank seines innovativen technologischen Rahmens und seiner leistungsstarken Selbstentwicklungsfähigkeiten ein ideales Werkzeug zur Untersuchung der Entwicklung und Optimierung autonomer KI für die akademische Forschung und algorithmische Innovation.