sjtu-sai-agents/ML-Master

解决的问题

ML-Master 致力于解决自动化复杂机器学习工程工作的挑战，例如在 OpenAI 的 MLE-Bench 基准测试中解决 Kaggle 风格的竞赛任务。它帮助 AI 系统独立行动：通过探索不同的方法、进行推理并逐步积累知识，从而在无需持续人工指导的情况下处理漫长的多步骤问题。

工作原理

ML-Master 将探索和推理结合在一个循环中。它尝试不同的策略，捕获见解和结果，并将最有用的信息存储在自适应记忆中。2.0 版本增加了分层认知缓存 (HCC) 架构：它将短期执行轨迹提炼为稳定的长期知识，在战术执行与战略规划共同演进的同时保持二者的分离。该系统使用 LLM（例如用于编码的 DeepSeek，用于评估和反馈的 GPT-4o）来驱动流程，并运行在 MLE-Bench 环境之上。

适用人群

从事 AI 智能体、AutoML 或长周期任务自动化的研究人员和从业者。对于那些希望获得一个用于自主机器学习工程的开源框架，且要求智能体能够在长时间内进行规划、执行和学习的用户来说，它尤为有价值。

亮点

• 在 OpenAI 的 MLE-Bench 排行榜上排名第一，整体性能达到 56.44%，较 1.0 版本提升了 92.7%。
• 在低 (75.76%)、中 (50.88%) 和高 (42.22%) 复杂度任务中均优于之前的基准，其中中等复杂度任务提升了 152.2%。
• 引入了用于超长周期科学探索的分层认知缓存 (HCC) 架构。
• 开源项目，支持 Docker 镜像并与 MLE-Bench 集成；后续扩展为自我演进的 EvoMaster 框架。