# Araştırmacılar makine öğrenmesi görevlerinde ajan oturumlarını dönüşümlü kullandı > Humanize MLE Agents, ortak çalışma alanını korurken oturum bağlamını sıfırlayan iki ajanı sırayla çalıştırıyor. - Kalıcı adres: https://newsverum.com/tr/news/multi-agent-session-alternation-tests-machine-learning-engineering - Yayıncı: Newsverum - Bölüm: Teknoloji - Ülke: Çin - Yayın: 2026-10-13T00:51:41+00:00 - Güncelleme: 2026-10-13T00:51:41+00:00 - Olay / veri dönemi: 2026-10-09 - Diğer sürümler: [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), [Português](https://newsverum.com/pt/news/multi-agent-session-alternation-tests-machine-learning-engineering.md) Tsinghua, Zhejiang ve NVIDIA bağlantılı araştırmacılar, uzun makine öğrenmesi mühendisliği görevlerinde iki ajanın oturumlarını dönüşümlü çalıştıran Humanize MLE Agents yöntemini sundu. Her oturum en fazla belirli sayıda deneye kadar sürüyor; oturum bağlamı sıfırlansa da kod, modeller ve önceki sonuçlar ortak çalışma alanında kalıyor. MLE-bench’teki 75 Kaggle görevi üzerinde yazarlar, iş akışının yüzde 78,2 herhangi madalya oranına ulaştığını ve en güçlü açık kaynak karşılaştırmayı daha düşük zaman bütçesiyle geçtiğini bildirdi. Bu, belirli bir yarışma kümesi ve ajan eşleşmeleri için raporlanan bir sonuçtur; farklı model sürümlerinde veya gerçek mühendislik projelerinde aynı kazanımı garanti etmez. ## Veriler ### Ölçüt 75 Kaggle görevi; MLE-bench değerlendirmesi Yöntem: Rakamlar makalenin tanımladığı kıyaslama deneylerine aittir; saha ölçümü veya genel performans garantisi değildir. | Ölçüt | Bildirilen değer | Deney kapsamı | |---|---|---| | MLE-bench Kaggle görevlerinde herhangi madalya oranı | 78.2 | 75 Kaggle görevi; MLE-bench değerlendirmesi | Kaynaklar: · Veriyi indir: [JSON](https://newsverum.com/api/v1/articles/multi-agent-session-alternation-tests-machine-learning-engineering/data/reported-result-1?lang=tr&format=json) · [CSV](https://newsverum.com/api/v1/articles/multi-agent-session-alternation-tests-machine-learning-engineering/data/reported-result-1?lang=tr&format=csv) ### Ölçüt MLE-bench değerlendirmesinde raporlanan Kaggle görev kümesi Yöntem: Rakamlar makalenin tanımladığı kıyaslama deneylerine aittir; saha ölçümü veya genel performans garantisi değildir. | Ölçüt | Bildirilen değer | Deney kapsamı | |---|---|---| | MLE-bench Kaggle görev sayısı | 75 | MLE-bench değerlendirmesinde raporlanan Kaggle görev kümesi | Kaynaklar: · Veriyi indir: [JSON](https://newsverum.com/api/v1/articles/multi-agent-session-alternation-tests-machine-learning-engineering/data/result-75?lang=tr&format=json) · [CSV](https://newsverum.com/api/v1/articles/multi-agent-session-alternation-tests-machine-learning-engineering/data/result-75?lang=tr&format=csv) ## Kaynaklar - [arXiv preprint by Tsinghua University, Zhejiang University and collaborating researchers]() (Kaynak kontrolü: 2026-10-13; Yayın: 2026-10-09) --- Alıntı için yukarıdaki kalıcı adresi kullanın. [Yayın ilkeleri ve düzeltmeler](https://newsverum.com/tr/editorial)