Hugging Face · 每日论文· 媒体 / 作者来源·精选
Agent4Sci：前沿编码 Agent 在 20 个科学 ML 基准上平均提升 10.4%
原文标题
Automating ML for Science: Can Frontier Agents Climb Scientific Hills in the Wild?
AI 导读
研究团队提出 Agent4Sci，用作长期测试平台，覆盖 11 个领域的 20 个科学 ML 基准，重点考察 Agent 在真实条件下能改进已发表最佳模型多少，以及会在哪里失败。结果显示，前沿 Agent 在每个基准上都有提升，其中 Claude Opus 的平均相对改进为 10.4%，且没有运行被标记为学术不端；但这些提升主要来自 ML 工程技巧，而不是研究级洞察。轨迹分析指出三类问题：新颖性判断失准、资源利用不足，以及很快退化为局部工程搜索。加入研究构思、实验管理和定时检查清单等轻量插件技能后，Claude Opus 提升到 20.1%，Codex 从 4.4% 提升到 8.1%。代码和数据已在 GitHub 与 Hugging Face 公开。
来源：Hugging Face · 每日论文 · arxiv.org
导读与选稿说明
Agent4Sci 用 11 个领域 20 个基准实测前沿 Agent 对已发表最佳模型的改进幅度，并给出插件技能将 Claude Opus 从 10.4% 提到 20.1% 的可复用方法，同时限定在科学 ML 基准范围内。
导读由模型辅助整理，非独立核验。完整信息见原文。