# Forschende wechseln Agentensitzungen bei Aufgaben des maschinellen Lernens ab > Humanize MLE Agents lässt zwei Agenten abwechselnd arbeiten, setzt den Sitzungskontext zurück und erhält einen gemeinsamen Arbeitsbereich. - Kanonische URL: https://newsverum.com/de/news/multi-agent-session-alternation-tests-machine-learning-engineering - Herausgeber: Newsverum - Rubrik: Technologie - Land: China - Veröffentlicht: 2026-10-13T00:51:41+00:00 - Aktualisiert: 2026-10-13T00:51:41+00:00 - Ereignis- oder Datenzeitraum: 2026-10-09 - Weitere Ausgaben: [Türkçe](https://newsverum.com/tr/news/multi-agent-session-alternation-tests-machine-learning-engineering.md), [English](https://newsverum.com/en/news/multi-agent-session-alternation-tests-machine-learning-engineering.md), [العربية](https://newsverum.com/ar/news/multi-agent-session-alternation-tests-machine-learning-engineering.md), [Français](https://newsverum.com/fr/news/multi-agent-session-alternation-tests-machine-learning-engineering.md), [Español](https://newsverum.com/es/news/multi-agent-session-alternation-tests-machine-learning-engineering.md), [Português](https://newsverum.com/pt/news/multi-agent-session-alternation-tests-machine-learning-engineering.md) 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. ## Daten ### Messgröße 75 Kaggle-Aufgaben; MLE-bench-Auswertung Methodik: Die Werte stammen aus den im Artikel beschriebenen Benchmark-Experimenten; sie sind weder Feldmessungen noch allgemeine Leistungsgarantien. | Messgröße | Berichteter Wert | Versuchsumfang | |---|---|---| | Any-Medal-Rate bei Kaggle-Aufgaben in MLE-bench | 78.2 | 75 Kaggle-Aufgaben; MLE-bench-Auswertung | Quellen: · Daten herunterladen: [JSON](https://newsverum.com/api/v1/articles/multi-agent-session-alternation-tests-machine-learning-engineering/data/reported-result-1?lang=de&format=json) · [CSV](https://newsverum.com/api/v1/articles/multi-agent-session-alternation-tests-machine-learning-engineering/data/reported-result-1?lang=de&format=csv) ### Messgröße Im MLE-bench-Test ausgewerteter Kaggle-Aufgabensatz Methodik: Die Werte stammen aus den im Artikel beschriebenen Benchmark-Experimenten; sie sind weder Feldmessungen noch allgemeine Leistungsgarantien. | Messgröße | Berichteter Wert | Versuchsumfang | |---|---|---| | Zahl der Kaggle-Aufgaben in MLE-bench | 75 | Im MLE-bench-Test ausgewerteter Kaggle-Aufgabensatz | Quellen: · Daten herunterladen: [JSON](https://newsverum.com/api/v1/articles/multi-agent-session-alternation-tests-machine-learning-engineering/data/result-75?lang=de&format=json) · [CSV](https://newsverum.com/api/v1/articles/multi-agent-session-alternation-tests-machine-learning-engineering/data/result-75?lang=de&format=csv) ## Quellen - [arXiv preprint by Tsinghua University, Zhejiang University and collaborating researchers]() (Quelle geprüft: 2026-10-13; Veröffentlicht: 2026-10-09) --- Zitieren Sie die oben angegebene kanonische URL. [Redaktionsstandards und Korrekturen](https://newsverum.com/de/editorial)