SJTU lanza ML-Master, un agente experto en inteligencia artificial
Últimos recursos sobre IAPublicado hace 2 meses Círculo de intercambio de inteligencia artificial 10.8K 00
Qué es ML-Master
ML-Master es una inteligencia experta en IA introducida por el equipo de Agents de la Escuela de Inteligencia Artificial de la Universidad Jiao Tong de Shanghai. ML-Master obtiene buenos resultados en la prueba de referencia autorizada MLE-bench de OpenAI, encabezando la lista con una tasa media de medallas de 29,3%, superando a competidores como RD-Agent de Microsoft y AIDE de OpenAI, etc. ML-Master mejora significativamente el aprendizaje automático de IA a través del innovador paradigma de "integración profunda de exploración e inferencia", que simula las estrategias cognitivas de los expertos humanos e integra exploración extensiva e inferencia profunda. ML-Master mejora significativamente el rendimiento de la IA en ingeniería de aprendizaje automático a través de un innovador paradigma de "integración profunda de exploración y razonamiento", que imita las estrategias cognitivas de los expertos humanos e integra la exploración extensiva y el razonamiento profundo. ML-Master adopta un módulo equilibrado de exploración multitrayectoria y razonamiento controlado, y realiza la sinergia eficiente entre ambos a través del mecanismo de memoria adaptativa.

Principales funciones de ML-Master
- Integración profunda de la exploración y el razonamientoML-Master mejora significativamente el rendimiento de la IA integrando una amplia exploración y un razonamiento profundo mediante un innovador paradigma de "fusión profunda de exploración y razonamiento" que imita las estrategias cognitivas de los expertos humanos.
- Gran capacidad de autoevoluciónML-Master sigue mejorando la calidad de la solución durante múltiples rondas de ejecución de tareas, lo que se traduce en una mejora final del rendimiento de más de 1.201 TP3T en comparación con la versión inicial.
Dirección del proyecto ML-Master
- Página web del proyecto:: https://sjtu-sai-agents.github.io/ML-Master/
- Repositorio Github:: https://github.com/sjtu-sai-agents/ML-Master
- Documento técnico arXiv:: https://arxiv.org/pdf/2506.16499
Principio técnico de ML-Master
- Exploración multitrayectoria equilibrada (BME)
- Búsqueda en árbol inspirada en MCTSEl modelo del proceso de desarrollo de la IA es un árbol de decisiones, en el que cada nodo representa el estado de una solución de IA.
- estrategia de descubrimiento en paraleloExplore varias ramas de soluciones al mismo tiempo, superando las limitaciones de la exploración en serie tradicional y mejorando drásticamente la eficacia de la exploración.
- Priorización dinámica: Asigna dinámicamente los recursos informáticos en función del valor potencial de cada rama para evitar una exploración ineficaz.
- Razonamiento orientable (Steerable Reasoning)
- mecanismo de memoria adaptativa: Extraiga con precisión la información clave para evitar la sobrecarga de información y filtre de forma inteligente la información válida a partir de la exploración histórica para garantizar que el proceso de razonamiento se base en conocimientos más relevantes.
- Toma de decisiones contextualizadaAnalizar con conocimiento de causa en el contexto de experiencias concretas de aplicación y casos de éxito para evitar "rascarse la cabeza" a la hora de tomar decisiones.
- Sistema de aprendizaje en bucle cerradoEl resultado de la exploración alimenta el proceso de razonamiento en tiempo real, formando un círculo virtuoso de "exploración → razonamiento → optimización → reexploración".
- Mecanismo de memoria adaptativa (Adaptive Memory)
- Construcción inteligente de la memoriaMódulo de exploración: el módulo de exploración recopila automáticamente resultados de ejecución, fragmentos de código y métricas de rendimiento, al tiempo que integra de forma selectiva información clave de los nodos padre y hermanos paralelos.
- Razonamiento integrado Toma de decisionesLa información de la memoria se integra directamente en la parte de toma de decisiones del modelo de inferencia, lo que garantiza que cada inferencia se base en la información histórica específica de la ejecución y en la experiencia de diversas exploraciones.
- Mecanismos coevolutivos: Los resultados del razonamiento guían la dirección de la exploración posterior, y la experiencia de exploración sigue enriqueciendo el proceso de razonamiento, haciendo realidad la integración profunda de exploración y razonamiento.
Principales ventajas de ML-Master
- rendimiento superiorEn la prueba comparativa MLE-bench de OpenAI, ML-Master encabezó la clasificación con una tasa media de medallas de 29,31 TP3T, muy por delante de los sistemas de Microsoft y OpenAI.
- Informática eficienteLas pruebas se completan en sólo 12 horas con la mitad del coste computacional de los métodos de referencia.
- capacidad de generalizaciónLas medallas son abrumadoramente superiores en todos los niveles de dificultad, con un aumento de 2,2 veces en el índice de medallas en las tareas de dificultad media en particular.
A quién va dirigido ML-Master
- Investigadores y desarrolladores de IAML-Master les ayuda a explorar rápidamente múltiples soluciones, reducir el tiempo dedicado a la depuración y optimización manuales y centrarse en la innovación de modelos y la mejora de algoritmos.
- científico de datosML-Master automatiza tareas como el preprocesamiento de datos, la ingeniería de características, la selección de modelos y el ajuste de parámetros, lo que ayuda a los científicos de datos a ahorrar tiempo y esfuerzo y a centrarse en el conocimiento de los datos y la extracción de valor empresarial.
- Ingeniero de aprendizaje automáticoML-Master: la eficiente potencia de cálculo y el mecanismo autoevolutivo de ML-Master ayudan a los ingenieros a iterar rápidamente los modelos y optimizar su rendimiento en implantaciones reales, reduciendo al mismo tiempo los costes de cálculo.
- Universidades e institutos de investigaciónEl innovador marco tecnológico de ML-Master y sus potentes capacidades autoevolutivas lo convierten en una herramienta ideal para estudiar el desarrollo y la optimización de la IA autónoma para su uso en la investigación académica y la innovación algorítmica.
© declaración de copyright
Derechos de autor del artículo Círculo de intercambio de inteligencia artificial Todos, por favor no reproducir sin permiso.
Artículos relacionados
Sin comentarios...