Forschende wechseln Agentensitzungen bei Aufgaben des maschinellen Lernens ab

Forschende mit Verbindungen zu Tsinghua, Zhejiang und NVIDIA stellten Humanize MLE Agents vor, ein Verfahren, bei dem zwei Agenten ihre Sitzungen bei langen Aufgaben der ML-Technik abwechseln. Jede Sitzung endet nach einer begrenzten Zahl von Experimenten; der Kontext wird zwischen den Sitzungen zurückgesetzt, während Code, Modelle und frühere Ergebnisse in einem gemeinsamen Arbeitsbereich erhalten bleiben.

Bei 75 Kaggle-Aufgaben aus MLE-bench berichten die Autoren eine Any-Medal-Rate von 78,2 % und geben an, dass der Workflow die stärkste Open-Source-Referenz mit geringerem Zeitbudget übertraf. Das Ergebnis gilt für diesen Wettbewerbsdatensatz und diese Agentenkonfigurationen; es garantiert keinen gleichen Vorteil bei anderen Modellversionen oder realen Technikprojekten.