ML-Master 2.0 - SciMaster推出的自主机器学习智能体
ML-Master 2.0是什么
在AI智能体领域，ML-Master 2.0重新定义了自主科研的边界。它并非执行简单指令的工具，而是能够像资深研究员一样，在单一复杂项目上投入数十小时进行深度探索、迭代与进化的自主智能体。该项目由上海交通大学人工智能学院、上海算法创新研究院与深势科技SciMaster团队联合研发，旨在攻克真实世界中的机器学习科研难题。
其核心突破在于“超长程自主能力”。这使其能够围绕一个科研目标，进行持续、连贯的长期探索，而非执行孤立、短期的任务。支撑这一能力的关键，是其独创的“层次化认知缓存机制”。该机制能对任务过程中产生的海量信息——从具体操作经验到抽象通用策略——进行智能化的分层管理与提炼，实现知识的有效沉淀与无效信息的主动淘汰，从而带来科研效率的指数级提升。
其实力已在国际顶级基准测试中得到验证。在极具挑战性的OpenAI MLE-bench评测中，ML-Master 2.0超越了来自谷歌、Meta等机构的顶尖方案，取得了全球领先的成绩。这不仅是一项技术突破，更标志着我国在AI自主科研这一前沿方向上已建立起显著优势。目前，其应用已覆盖从具身智能到理论物理的多个前沿探索领域。
ML-Master 2.0的主要功能
ML-Master 2.0的功能集，精准对应了现代科研工作流的核心需求：
- 长期科研任务的自主探索：具备持续数十小时专注工作的能力，对复杂科研目标进行系统性、深层次的探索与试错。
- 经验积累与知识沉淀：具备从失败与成功中归纳规律的能力，能将具体经验固化为可复用的知识模块，并实现跨任务的策略迁移。
- 代码生成与调试：能够自主完成从实验设计、代码实现、错误调试到结果分析的完整闭环，接管大量重复性工程劳动。
- 多任务适应性：凭借其认知架构，可在不同任务间高效切换，复用高层策略智慧，快速适应新问题域。
- 高效资源管理：在长周期任务中，智能管理任务上下文与记忆资源，有效避免信息过载与关键历史遗忘，保障进程稳定。
ML-Master 2.0的技术原理
上述功能的实现，根植于一系列创新的技术设计：
- 超长程自主（Ultra-Long-Horizon Autonomy）：该机制模拟真实科研中的探索-回溯循环，确保智能体在超长时间尺度下，能持续聚焦核心目标，并智能规避无效路径。
- 层次化认知缓存（Hierarchical Cognitive Caching, HCC）：这是其知识管理的核心。系统将认知信息分为三层：底层的即时“经验”、中层的稳定“知识”以及顶层的可迁移“策略智慧”。通过动态筛选、提炼与升级，实现信息价值的最大化。
- 深度探索与推理集成：将系统性探索与逻辑推理深度融合。自适应记忆机制使探索为推理提供数据基础，推理为探索指引优化方向，形成高效的认知闭环。
- 基于国产开源大模型 DeepSeek：其核心“大脑”采用国产开源大模型DeepSeek-V3.2-Special。依托强大的国产基座与高性能AI基础设施，确保了高效的计算与深度推理能力。
ML-Master 2.0的项目地址
如需获取技术细节、源码或参与社区，可通过以下官方渠道访问：
- 项目官网：https://sjtu-sai-agents.github.io/ML-Master/
- GitHub仓库：https://github.com/sjtu-sai-agents/ML-Master
ML-Master 2.0的应用场景
ML-Master 2.0的独特能力，使其在多个高复杂度领域具有广阔的应用潜力：
- 具身智能机器人训练：赋能机器人在动态真实环境中进行长期自主学习与行为策略优化，提升环境适应性与自主决策水平。
- 理论物理模拟与发现：辅助科学家设计复杂模拟实验，分析海量数据以识别潜在规律，加速理论物理的探索与验证进程。
- 机器学习工程任务：自动化处理模型架构搜索、超参数调优、性能评估等全流程任务，提升算法研发与迭代的效率与质量。
- 复杂系统建模与优化：应用于金融风控、气候预测等复杂动态系统的建模，协助构建更精准、更鲁棒的预测与优化模型。
- 自动化科学研究：在生物信息学、材料科学等领域，作为科研助手参与实验设计、数据挖掘与假设生成，推动科学研究范式的革新。