谷歌新研究让科研智能体先记录瓶颈再改代码

原标题:New Google and Johns Hopkins paper shows that AI research agents do better when they track what limi...
78AI 研判分

谷歌与约翰霍普金斯大学联合提出 Pro2 Agent,让 ML 科研智能体先构建“问题状态”,记录疑似瓶颈、候选修复方案及置信度,再通过单变量实验逐步更新判断,而非盲目循环改代码。在全部 75 个 MLE-Bench 任务上,其 48 小时奖牌率达 76.0%,为已报告最高水平;MLE-Bench Lite 上首个方案即达 57.6%,远超 MARS 的 28.8%。

报道正文

Rohan Paul (@rohanpaul_ai) · 2026-11-20 19

谷歌与约翰斯·霍普金斯大学的新论文表明,AI 研究智能体在追踪“是什么限制了性能”而非仅仅关注“哪段代码得分最高”时,表现会更好。

从事机器学习研究的智能体通常围绕代码循环:修改代码、给代码打分、保留最优版本。在困难任务上,它们可能会陷入反复微调一个核心就有问题的方案的困境。

Pro2 Agent 首先构建一个“问题状态”:它怀疑的瓶颈、来自文献的候选修复方案,以及它对每个方案的置信度。然后它运行单变量实验,在提交更改之前更新这些信念。

在全部 75 个 MLE-Bench 任务上,它使用 Gemini 3.5 Flash 进行编码,在 48 小时内达到了 76.0% 的奖牌率,为已报告的最高值。在 MLE-Bench Lite 上,它的首个方案已在 57.6% 的任务上获得奖牌,而 MARS 为 28.8%。

如果你要构建研究智能体,就让它们写下并更新阻碍进展的因素,并且每次实验只测试 1 项更改。

推文配图