# Pesquisadores alternam sessões de agentes em tarefas de aprendizado de máquina > O Humanize MLE Agents alterna dois agentes, reinicia o contexto de cada sessão e preserva um espaço de trabalho compartilhado. - URL canônica: https://newsverum.com/pt/news/multi-agent-session-alternation-tests-machine-learning-engineering - Editora: Newsverum - Seção: Tecnologia - País: China - Publicado: 2026-10-13T00:51:41+00:00 - Atualizado: 2026-10-13T00:51:41+00:00 - Período do evento ou dos dados: 2026-10-09 - Outras edições: [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), [Deutsch](https://newsverum.com/de/news/multi-agent-session-alternation-tests-machine-learning-engineering.md) Pesquisadores ligados à Tsinghua, Zhejiang e NVIDIA apresentaram o Humanize MLE Agents, método que alterna sessões de dois agentes em tarefas longas de engenharia de aprendizado de máquina. Cada sessão termina após um número limitado de experimentos; o contexto é reiniciado entre sessões, enquanto código, modelos e resultados anteriores permanecem em um espaço de trabalho compartilhado. Em 75 tarefas do Kaggle no MLE-bench, os autores relatam taxa de 78,2% para obter qualquer medalha e dizem que o fluxo superou a comparação mais forte de código aberto com menor orçamento de tempo. É um resultado para esse conjunto de competições e essas configurações de agentes; não garante o mesmo ganho em outras versões de modelos ou projetos reais de engenharia. ## Dados ### Medida 75 tarefas do Kaggle; avaliação MLE-bench Metodologia: Os valores vêm dos experimentos de benchmark descritos no artigo; não são medições de campo nem garantias gerais de desempenho. | Medida | Valor informado | Escopo experimental | |---|---|---| | Taxa de obtenção de alguma medalha em tarefas Kaggle do MLE-bench | 78.2 | 75 tarefas do Kaggle; avaliação MLE-bench | Fontes: · Baixar dados: [JSON](https://newsverum.com/api/v1/articles/multi-agent-session-alternation-tests-machine-learning-engineering/data/reported-result-1?lang=pt&format=json) · [CSV](https://newsverum.com/api/v1/articles/multi-agent-session-alternation-tests-machine-learning-engineering/data/reported-result-1?lang=pt&format=csv) ### Medida Conjunto de tarefas Kaggle informado na avaliação do MLE-bench Metodologia: Os valores vêm dos experimentos de benchmark descritos no artigo; não são medições de campo nem garantias gerais de desempenho. | Medida | Valor informado | Escopo experimental | |---|---|---| | Número de tarefas Kaggle do MLE-bench | 75 | Conjunto de tarefas Kaggle informado na avaliação do MLE-bench | Fontes: · Baixar dados: [JSON](https://newsverum.com/api/v1/articles/multi-agent-session-alternation-tests-machine-learning-engineering/data/result-75?lang=pt&format=json) · [CSV](https://newsverum.com/api/v1/articles/multi-agent-session-alternation-tests-machine-learning-engineering/data/result-75?lang=pt&format=csv) ## Fontes - [arXiv preprint by Tsinghua University, Zhejiang University and collaborating researchers]() (Fonte verificada: 2026-10-13; Publicado: 2026-10-09) --- Use a URL canônica acima para citar este artigo. [Princípios editoriais e correções](https://newsverum.com/pt/editorial)