ML-Master - экспертный агент искусственного интеллекта, запущенный SJTU

Что такое ML-Master

ML-Master - это экспертный ИИ-интеллект, представленный командой Agents из Школы искусственного интеллекта Шанхайского университета Цзяо Тун. ML-Master демонстрирует отличные результаты в авторитетном бенчмарке OpenAI MLE-bench, возглавляя список со средним показателем 29,3%, опережая таких конкурентов, как RD-Agent от Microsoft, AIDE от OpenAI и т. д. ML-Master значительно улучшает машинное обучение ИИ благодаря инновационной парадигме "глубокой интеграции исследования и вывода", которая имитирует когнитивные стратегии человеческих экспертов и объединяет широкое исследование и глубокое умозаключение. ML-Master значительно улучшает производительность ИИ в машинном обучении благодаря инновационной парадигме "глубокой интеграции исследования и умозаключения", которая имитирует когнитивные стратегии человеческих экспертов и объединяет широкое исследование и глубокое умозаключение. ML-Master использует сбалансированный многотраекторный модуль исследования и контролируемого рассуждения, а также реализует эффективную синергию между ними с помощью механизма адаптивной памяти.

Основные функции ML-Master

• Глубокая интеграция исследования и рассужденияML-Master значительно повышает производительность ИИ, объединяя широкое исследование и глубокое рассуждение с помощью инновационной парадигмы "глубокого слияния исследования и рассуждения", которая имитирует когнитивные стратегии человеческих экспертов.
• Высокая способность к саморазвитиюML-Master продолжает улучшать качество решения в течение нескольких раундов выполнения задач, в результате чего итоговая производительность повысилась более чем на 1 201 TP3T по сравнению с первоначальной версией.

Адрес проекта ML-Master's

• Веб-сайт проекта:: https://sjtu-sai-agents.github.io/ML-Master/
• Репозиторий Github:: https://github.com/sjtu-sai-agents/ML-Master
• Технический документ arXiv:: https://arxiv.org/pdf/2506.16499

Технический принцип работы ML-Master

• Сбалансированная многотраекторная разведка (BME)
  • Поиск по дереву на основе MCTS: Моделирование процесса разработки ИИ в виде дерева решений, где каждый узел представляет собой состояние решения ИИ.
  • стратегия параллельных открытий: Исследуйте несколько ветвей решений одновременно, преодолевая ограничения традиционного последовательного поиска и значительно повышая эффективность поиска.
  • Динамическая расстановка приоритетовДинамическое распределение вычислительных ресурсов на основе потенциальной ценности каждой ветви, чтобы избежать неэффективного исследования.
• Устойчивые рассуждения (Steerable Reasoning)
  • адаптивный механизм памяти: Точное извлечение ключевой информации, чтобы избежать информационной перегрузки, и разумная фильтрация достоверной информации из исторических исследований, чтобы процесс рассуждения основывался на более релевантных знаниях.
  • Принятие решений с учетом контекстаПроводите обоснованный анализ в контексте конкретных отзывов о реализации и историй успеха, чтобы избежать принятия решений "по головам".
  • Система обучения с замкнутым циклом: Результат исследования подпитывает процесс рассуждения в реальном времени, формируя добродетельный цикл "исследование → рассуждение → оптимизация → повторное исследование".
• Механизм адаптивной памяти (Adaptive Memory)
  • Интеллектуальная конструкция памяти: Модуль исследования автоматически собирает результаты выполнения, фрагменты кода и метрики производительности, выборочно интегрируя ключевую информацию из родительских и параллельных узлов сиблингов.
  • Встроенные рассуждения Принятие решенийИнформация о памяти встраивается непосредственно в часть модели принятия решений, что гарантирует, что каждый вывод будет основан на конкретных исторических данных о выполнении и опыте различных исследований.
  • Коэволюционные механизмыРезультаты рассуждений определяют направление последующего исследования, а опыт исследования продолжает обогащать процесс рассуждения, реализуя глубокую интеграцию исследования и рассуждения.

Основные преимущества ML-Master

• превосходная производительность: В бенчмарке MLE-bench от OpenAI ML-Master возглавил хит-парад со средним показателем 29,31 TP3T, значительно опередив системы Microsoft и OpenAI.
• Эффективные вычисления: Тесты выполняются всего за 12 часов при вдвое меньших вычислительных затратах по сравнению с базовыми методами.
• способность к обобщениюМедалей стало больше на всех уровнях сложности, особенно в 2,2 раза увеличилось количество медалей на заданиях средней сложности.

Для кого предназначен ML-Master

• Исследователи и разработчики искусственного интеллектаML-Master поможет им быстро найти множество решений, сократить время на ручную отладку и оптимизацию и сосредоточиться на разработке моделей и совершенствовании алгоритмов.
• специалист по анализу данныхML-Master автоматизирует такие задачи, как предварительная обработка данных, разработка функций, выбор модели и настройка параметров, помогая специалистам по обработке данных экономить время и силы и сосредоточиться на анализе данных и поиске бизнес-ценностей.
• Инженер по машинному обучениюЭффективная вычислительная мощность ML-Master и механизм самоэволюции помогают инженерам быстро итерировать модели и оптимизировать их работу в реальных условиях, сокращая при этом вычислительные затраты.
• Университеты и исследовательские институтыИнновационная технологическая структура и мощные самоэволюционные возможности ML-Master делают его идеальным инструментом для изучения автономного развития и оптимизации искусственного интеллекта для использования в академических исследованиях и алгоритмических инновациях.