🙋♂️ 想加入社群的朋友，可看文末方法，进群交流。
“ 在机器学习工程领域，自主智能体的研究正逐渐成为焦点。ML-Agent 为这一领域带来了新思路。它凭借创新的学习型 agentic ML 范式和高效的训练框架，实现了智能体在自主机器学习中的高效探索与优化。 ”
大家好，我是肆〇柒。这两天看到一篇关于自主进化智能体的论文，本篇就让我们一起了解一下这个机器学习工程的的研究 ——ML-Agent。在当下，机器学习工程已成为科技创新的关键驱动力。然而，传统机器学习工程模式面临着诸多困境，它是一个高度复杂且耗费人力的过程，专家研究人员往往需要投入大量时间进行模型架构设计、超参数调整以及通过反复试验来优化模型，整个流程可能持续数天甚至数月。以开发一个高性能的语音识别模型为例，研究人员需要手动筛选合适的声学模型架构、精心调整语言模型的权重，并通过无数次试验来验证模型在不同口音、噪声条件下的鲁棒性和准确性。这种手动试错的方式不仅浪费了大量的时间和计算资源，而且很难保证模型的最终性能能够达到预期，严重制约了机器学习技术的广泛应用和快速发展。 所以自主机器学习成为了一个前沿的研究方向。
自主机器学习的目标是构建能够独立运作的 AI 系统，这些系统能够自主地协调整个机器学习生命周期，从概念设计、代码实现到模型优化，全程无需人工干预。这一愿景的核心是通过自动化和智能化的技术手段，大幅减少人工参与，提高机器学习工程的效率和可扩展性。比如，假设一个智能体能够自动地根据给定的语音识别任务描述，生成有效的声学模型架构，智能调整超参数，并在运行时根据实时反馈进行自我改进，这不仅能够极大地加速语音识别模型的开发过程，还能使机器学习技术更加普及，让更多非专业用户也能够利用先进的机器学习算法解决实际问题，从而推动人工智能技术在语音助手、智能客服等众多领域的广泛应用。
现有 LLM 智能体的局限性 近年，基于LLM 的智能体在自主机器学习领域取得了显著的进展，如 AIDE 和 SELA 等智能体。它们能够利用 LLM 的交互能力、编码能力和工具调用能力，自动化机器学习流程。然而，这些现有的智能体方法存在一个共同的根本局限性，就是它们依赖于手工提示工程。手工提示工程要求研究人员精心设计提示，以引导 LLM 智能体的行为，这种方式不仅耗时费力，而且严重限制了智能体的自动优化和跨任务泛化能力。例如，一个专门为图像分类任务设计的智能体，其提示可能包含了特定的卷积神经网络架构描述和数据增强策略，但当面临一个全新的文本分类任务时，智能体无法直接将所学的知识迁移到新任务中，因为它的行为模式被提示所限定，缺乏灵活调整和自我优化的能力。这种对提示的依赖，使得智能体难以在多样化的任务场景中实现灵活的策略调整和性能优化，极大地限制了自主机器学习技术的发展和应用。
ML-Agent 的创新与重要性 针对上述问题，ML-Agent 的研究提出了一种全新的学习型智能体自主机器学习（agentic ML）范式。ML-Agent 通过在线强化学习（RL）与 ML 任务环境进行交互，主动探索不同的策略，积累知识并不断改进决策。与传统方法相比，ML-Agent 能够更加智能地应对各种 ML 任务，实现自动化的策略优化和跨任务的知识迁移。ML-Agent 的创新之处在于其独特的训练框架，该框架包含三个关键组件：探索增强微调、逐步 RL 范式和特定于 agentic ML 的奖励模块。这些组件协同工作，使 ML-Agent 能够在有限的训练任务上实现卓越的性能，并展现出强大的跨任务泛化能力。这一突破不仅为自主机器学习领域带来了新的发展机遇，也为实现更加智能化、自动化的机器学习工程提供了新的思路和方法，有望推动机器学习技术在更多领域的广泛应用和深入发展。
ML-Agent 的研究框架与方法 学习型智能体 ML 范式的提出 ML-Agent 所采用的学习型智能体 ML 范式，彻底改变了传统自主机器学习的模式。在这种范式下，LLM 智能体不再是被动地执行预设的指令，而是通过与环境的交互，主动地探索和学习最优的策略。智能体在每个时间步中根据当前状态（即过去的反馈信息）采取行动（例如，在模型架构中添加批量归一化层），然后从环境中接收反馈（例如，代码执行结果或错误信息）。通过这种方式，智能体能够在不断的试错过程中，逐步积累经验，优化自己的行为策略。 这种范式的最大优势在于其灵活性和适应性。智能体可以根据不同的任务需求，动态地调整自己的行为模式。例如，在面对一个全新的医疗影像诊断任务时，智能体能够自动地识别影像数据的特点，并生成相应的模型架构和训练策略，如选择合适的卷积神经网络层数、滤波器大小以及数据增强方法。这种能力使得 ML-Agent 在处理多样化的机器学习任务时，表现出了先进的智能和效率，能够快速适应不同领域的应用场景，为机器学习技术的快速落地提供了有力支持。
ML-Agent 训练框架的三个关键组件 探索增强微调 探索增强微调是 ML-Agent 训练框架的第一个关键组件，其核心目的是拓宽智能体的探索范围，增强其在后续 RL 阶段的多样化策略生成能力。
在具体实施过程中，研究者们首先利用一组快速可执行的 ML 任务，生成了大量的候选想法。例如，在一个图像分类任务中，可能的候选想法包括 “添加 L1 或 L2 权重正则化”、“使用早停法以防止过拟合” 等。对于每个任务，研究者们计算这些想法之间的成对嵌入（embedding）距离。他们采用了基于词向量的余弦相似度方法来计算嵌入距离。首先将每个想法文本转化为词向量序列，然后通过计算序列之间的余弦相似度来衡量它们的语义相似性。接着选择嵌入距离最大的 10 个想法，以确保想法的多样性。然后，随机从中挑选 1 至 3 个想法，将其组合成任务提示。
接下来，由一个由 GPT-4o-mini 驱动的专家智能体与环境进行交互，使用这些丰富的提示，在 9 个快速可执行的 ML 任务上生成专家轨迹。这些轨迹记录了专家智能体在任务中的每一步操作、观察结果以及所采取的行动。通过这种方式，研究者们收集了大量的高质量数据，用于对 LLM 智能体进行微调。
智能体机器学习训练框架概述：（1）探索增强的微调，用于创建多样化的行动池；（2）分步强化学习范式，利用专家轨迹高效收集经验；（3）针对智能体机器学习的特定奖励模块，用于处理各种机器学习反馈和进行任务特定的性能评估 在微调过程中，研究者们采用监督微调（SFT）方法，通过最小化专家轨迹与智能体生成的轨迹之间的差异，使智能体能够学习到专家的策略。这不仅确保了智能体输出的动作符合格式要求，还使其能够学习到多样化的策略，从而在后续的 RL 阶段中进行更广泛的探索。例如，在一个文本分类任务中，经过探索增强微调的智能体，不仅学会了如何正确地使用 NLTK 库进行文本预处理（如分词、去除停用词和词干提取），还掌握了一系列不同的特征提取方法（如 TF-IDF、Word2Vec 等）和模型架构（如逻辑回归、神经网络等）。这种多样化的能力为智能体在面对复杂多变的任务时提供了丰富的策略选择，使其能够更有效地应对各种挑战。
逐步 RL 范式 逐步 RL 范式是 ML-Agent 训练框架的第二个关键组件，是为了解决传统 RL 方法在 ML 实验中的采样效率低下问题。
在传统的 RL 方法中，智能体需要执行完整的策略轨迹（即从任务描述开始，直到达到最大步数或时间限制），才能收集到一个样本进行学习。然而，ML 实验通常需要几分钟到几小时不等的时间，这使得在线数据收集过程极为缓慢，严重限制了反馈驱动的训练样本数量。
为了解决这一问题，ML-Agent 采用了一种逐步 RL 范式。在这种范式下，研究者们将目标函数重新定义为按状态分布采样的逐步更新。他们首先根据专家轨迹计算出一个固定的状态分布。计算方法是统计专家智能体在各个状态下的访问频率，并将其归一化为概率分布。然后从这个分布中采样状态，并在这些采样状态下评估智能体的单步行动。
在保留任务和外推任务上，分步式强化学习（Step-wise RL）都比基于回合的强化学习（Episode-wise RL）更高效。这两种强化学习训练方法都从MLAgent-SFT开始。红色点之间的间隔为5步，而蓝色三角形之间的间隔为1步 这种方法的优势在于，它将状态采样过程与模型的强化学习过程解耦。研究者们可以直接从预收集的状态池中采样状态，而无需在训练过程中进行昂贵的在线采样。这不仅显著降低了采样成本，还提高了训练效率，使智能体能够在更短的时间内学习到更多的知识。例如，在一个图像生成任务中，逐步 RL 范式允许智能体在每个训练步骤中只关注单个状态下的行动优化，而不是等待整个训练过程的完成。这使得智能体能够更快地学习到如何调整模型的超参数（如学习率、批量大小等），以提高生成图像的质量，从而加速了模型的收敛过程。
特定于 agentic ML 的奖励模块 特定于 agentic ML 的奖励模块是 ML-Agent 训练框架的第三个关键组件，其设计目标是将各种复杂的执行结果转换为统一的标量值，为 RL 优化提供一致且有效的奖励信号。
在自主机器学习过程中，智能体可能会遇到各种不同的执行结果，包括任务特定的性能指标（如分类准确性、回归均方误差等）、运行时错误（如内存不足、编译失败等）以及边界情况（如资源耗尽、时间限制等）。为了使智能体能够从这些不同的反馈中学习，研究者们设计了一个动态处理这些信号的奖励模块。
该奖励模块的核心思想是将每种执行结果映射到一个统一的标量值。例如：
• 如果智能体采取了无效的行动（如生成了不符合格式要求的代码）或收到了错误反馈（如编译失败），则奖励值为 0。这惩罚了智能体的错误行为，促使其生成正确的格式。 • 如果智能体采取了有效但非编辑性的行动（如列出文件）或遇到了边界情况（如内存不足），则奖励值为 0.5。这承认了行动的有效性，但同时也考虑到了外部约束的影响。 • 如果智能体成功地应用了一个有效的编辑操作，并且执行结果成功（如模型性能得到提升），则奖励值根据任务特定的性能指标的改进程度进行计算。奖励值通过一个缩放因子（根据任务的基准性能和最佳人类可实现性能进行计算）和一个 sigmoid 函数（将改进映射到 (0, 1) 区间）来确定，以激励智能体实现有意义的性能提升。 比如，在一个语音识别任务中，当智能体成功地优化了模型的架构，使得单词错误率降低了 10% 时，奖励模块会根据预定义的缩放因子和 sigmoid 函数，计算出一个相应的奖励值。这个奖励值不仅反映了性能提升的幅度，还考虑到了任务的难度和目标，从而为智能体提供了一个明确的学习信号。通过这种方式，奖励模块能够全面地处理各种执行结果，确保智能体在多样化的 ML 任务中有效地学习和改进，引导智能体朝着最优策略不断进化。
ML-Agent 的实验设计与结果 训练设置 在训练数据收集方面，研究者们采用了 GPT-4o-mini 驱动的智能体与 MLAgentBench 环境进行交互，生成专家轨迹。他们选择了 9 个 ML 任务，这些任务涵盖了图像分类（如 cifar-10、aerial-cactus-identification 等）、表格回归（如 home-data-for-ml-course、nomad2018-predict-transparent-conductors 等）和文本分类（如 feedback-prize-english-language-learning）等多种类型。对于每个任务，智能体与环境进行交互，生成了包含 15 步操作和反馈的轨迹，最终收集了 10k 条专家轨迹。
在实验中使用的所有训练和测试任务。MLA和MLE分别代表MLAgentbBench和MLE-bench 这些任务的选择和数据收集过程确保了训练数据的多样性和质量。例如，在图像分类任务中，智能体需要学习如何调整卷积神经网络的层数、滤波器大小等超参数；在表格回归任务中，智能体需要掌握特征工程、模型选择等技能；在文本分类任务中，智能体则需要学习文本预处理、嵌入方法等知识。通过这种方式，研究者们为 ML-Agent 的训练提供了丰富的经验基础。
在模型训练方面，研究者们首先对 Qwen2.5-7B 模型进行了监督微调（SFT）。他们使用收集到的专家轨迹，通过最小化模型生成的轨迹与专家轨迹之间的差异，使模型能够学习到专家的策略。在 SFT 阶段，研究者们设置了 2 个训练周期，批次大小为 64，学习率为 2e−5（千问官方文档中的学习率是 1e-5）。
接下来，研究者们采用基于 PPO（Proximal Policy Optimization）的逐步 RL 方法对模型进行进一步训练。在 RL 阶段，训练批次大小设置为 256，训练周期为 1 个。同时，研究者们分别设置了行动者（actor）和评论家（critic）的学习率为 1e−6 和 1e−5，并引入了 KL 散度系数为 0.001，以控制策略更新的幅度，防止策略在训练过程中出现剧烈波动。
这些超参数的设置经过精心调整，以平衡模型的学习速度和稳定性。例如，适当的学习率能够确保模型在训练过程中逐步收敛到最优策略，而 KL 散度系数则防止了策略更新过程中出现过大的偏差，从而提高了训练的稳定性。
测试设置 在测试阶段，研究者们选择了 10 个未见任务（held-out tasks）来评估 ML-Agent 的泛化能力。这些任务同样来自 MLAgentBench 和 MLE-Bench，涵盖了图像生成（如 denoising-dirty-documents）、图像分类（如 leaf-classification、statoil-iceberg-classifier-challenge 等）、文本回归（如 learning-agency-lab-automated-essay-scoring-2）和表格回归（如 us-patent-phrase-to-phrase-matching、tabular-playground-series-dec-2021 等）等多种类型。
在实验中使用的所有训练和测试任务。MLA和MLE分别代表MLAgentbBench和MLE-bench 这些任务的选择是为了全面评估 ML-Agent 在不同数据类型（图像、文本、表格）和任务目标（分类、回归、生成）上的性能表现。例如，图像生成任务考验智能体对图像数据的理解和生成能力；文本回归任务考察智能体对文本语义的把握和量化能力；表格回归任务则测试智能体对结构化数据的处理和预测能力。
为了全面评估 LLM 智能体的性能，研究者们提出了三个评估指标：
1. avg@K：在 K 个评估轨迹上的平均分数，反映智能体的稳定性。例如，如果 K=8，avg@8 表示智能体在 8 次独立运行中的平均性能。这一指标能够衡量智能体在多次尝试中保持一致性能的能力，避免因偶然因素导致的性能波动。 2. best@K：在 K 个评估轨迹上的最高分数，显示智能体在相同计算 / 步骤预算下所能达到的最大质量。这一指标关注智能体在有限资源内实现最佳性能的能力，体现了智能体的优化潜力。 3. 相对增益 ∆r：相对于初始脚本的相对改进，定义为 ∆r=β×(pavg@8 − pinit)/pinit，其中 pavg@8 是 8 个轨迹的平均分数，pinit 是初始脚本的分数，β∈{−1,1} 用于根据指标类型（如 MAE、RMSE）调整符号，确保 ∆r>0 表示改进。这一指标直观地反映了智能体对初始模型的改进程度，能够有效评估智能体的增值能力。 例如，在 denoising-dirty-documents 任务中，avg@8 指标能够反映 ML-Agent 在 8 次不同运行中对图像去噪模型的平均优化效果；best@8 指标则显示了智能体在这些运行中所能达到的最佳去噪性能；而相对增益 ∆r 则量化了智能体对初始去噪模型的改进幅度，为研究人员提供了一个直观的性能提升衡量标准。
实验结果 实验结果显示，ML-Agent 在 3 个已见任务和 10 个未见任务上均表现出色，显著优于其他 5 个基于 MLAB 搭建的智能体。这些智能体包括不同参数规模的 Qwen2.5 模型（Qwen-7B-Instruct、Qwen-32B-Instruct）、专家级 GPT-4o-mini 和 GPT-4o 以及拥有 671B 参数规模的 DeepSeek-R1 等。 在已见任务中，例如 cifar-10 图像分类任务，ML-Agent 的最佳准确率达到了 81.45%，超过了 Qwen-7B-Instruct 的 76.05%、Qwen-32B-Instruct 的 63.82%、GPT-4o-mini 的 80.83%、GPT-4o 的 80.34% 以及 DeepSeek-R1 的 80.34%。这表明 ML-Agent 能够在其训练过程中充分挖掘任务的潜力，实现卓越的性能。
在未见任务中，ML-Agent 同样展现了强大的泛化能力。例如，在 denoising-dirty-documents 图像生成任务中，ML-Agent 的平均 RMSE（均方根误差）为 0.0741，优于其他所有基线模型。这一结果证明了 ML-Agent 能够将从有限训练任务中学习到的知识有效地迁移到全新的任务场景中，并实现显著的性能提升。
通过对比分析，研究者们发现 ML-Agent 的优越性能主要归功于其独特的训练框架。探索增强微调为智能体提供了多样化的策略选择，使其能够在训练初期快速探索不同的解决方案；逐步 RL 范式显著提高了训练效率，使智能体能够更快地从环境反馈中学习；而特定于 agentic ML 的奖励模块则为智能体提供了精准的学习信号，引导其朝着最优策略不断进化。
与AIDE框架在13项任务上的对比结果。研究者绘制了每项任务的归一化相对增益。通过将每项任务的相对增益除以ML-Agent值来对其进行归一化 此外，ML-Agent 与 AIDE 智能体的比较结果也进一步验证了其训练框架的有效性。在多个任务类型和评估指标上，ML-Agent 均表现出色。例如，在 jigsaw-toxic-comment-classification-challenge 文本分类任务中，ML-Agent 的 AUC（受试者工作特征曲线下面积）达到了 0.9763，超过了 AIDE 智能体的表现。这表明 ML-Agent 的训练框架能够更好地适应不同任务的特点和需求，实现更优的性能。
性能提升分析 进一步的分析表明，ML-Agent 在训练过程中，随着 GPU 时间的增加，其性能在已见和未见任务上都呈现出持续提升的趋势。 训练任务数量对强化学习性能的影响*。纯监督学习（SFT）模型表现出极小的泛化能力，而强化学习（RL）则推动了泛化能力的提升 从图表中可以看出，ML-Agent 的性能提升速度明显快于传统的基于剧集的 RL 方法。在训练初期（GPU 时间约为 2 小时时），ML-Agent 的平均相对增益已经达到了约 5%，而基于剧集的 RL 方法可能仅能达到 2% 左右。这种性能提升的优势随着训练的进行不断扩大，最终使 ML-Agent 在所有任务上都取得了显著的领先地位。
这种性能提升的原因主要可以归结为逐步 RL 范式和探索增强微调的协同作用。逐步 RL 范式通过将复杂的策略学习分解为单步行动的优化，使智能体能够更高效地利用每次训练迭代。而探索增强微调则为智能体提供了丰富的初始策略多样性，使其能够在训练过程中更广泛地探索不同的解决方案空间。两者的结合，使智能体能够从 ML 环境反馈中不断学习和改进，逐步逼近最优策略。
同时，研究者们还观察到，随着训练的深入，ML-Agent 的性能提升幅度在不同任务上有所差异。例如，在一些简单的任务（如 home-data-for-ml-course 表格回归任务）中，智能体的性能可能在较短的时间内迅速达到较高水平，而在一些复杂的任务（如 detecting-insults-in-social-commentary 文本分类任务）中，性能提升则相对缓慢，但提升空间更大。这种差异反映了不同任务的难度和智能体的学习曲线，也表明 ML-Agent 的训练框架具有良好的适应性，能够根据任务的特点自动调整学习策略。
关键组件的深入分析 探索增强微调的重要性验证 为了验证探索增强微调的重要性，研究者们进行了对比实验，分别以 Qwen-7B-Base、Qwen-7B-Instruct、Qwen-7B-Distill 和 ML-Agent-SFT 作为基础模型进行 RL 训练，并比较了这些智能体在已见和未见任务上的平均相对增益。 实验结果表明，以 ML-Agent-SFT 为基础模型的智能体在已见任务上的平均相对增益达到了约 18%，在未见任务上达到了约 16%，而其他基础模型的表现则相对较差。例如，Qwen-7B-Distill 在已见和未见任务上的平均相对增益几乎为零，这主要是因为其在 distillation 过程中采用了默认的输出格式，导致其生成的动作不符合自主 ML 的要求，从而在 RL 训练的数据收集阶段就无法产生有效的学习信号。
相比之下，ML-Agent-SFT 通过探索增强微调，确保了智能体输出的动作不仅符合格式要求，还能够生成多样化的策略。这种多样化策略为 RL 训练提供了丰富的探索空间，使智能体能够在训练过程中发现更多的有效解决方案。例如，在一个文本生成任务中，ML-Agent-SFT 能够提出多种不同的文本预处理和模型架构优化策略，而 Qwen-7B-Instruct 则可能局限于少数几种常见的方法。这种策略多样性的优势使得 ML-Agent 在面对不同类型的任务时，都能够更有效地进行探索和学习，从而在已见和未见任务上都取得了显著的性能提升。
逐步 RL 训练的有效性验证 研究者们通过比较逐步 RL 方法和传统的基于剧集的 RL 方法在训练过程中的性能表现，进一步验证了逐步 RL 训练的有效性。
在 GPU 时间方面，逐步 RL 方法的优势尤为明显。由于逐步 RL 方法避免了在线采样过程中漫长的策略执行阶段，其训练效率得到了显著提升。例如，在相同的训练时间内，逐步 RL 方法可能完成数百次的策略更新，而传统的基于剧集的 RL 方法可能仅能完成数十次。这种高效的训练过程使得逐步 RL 方法能够更快地适应任务，实现性能的快速提升
在保留任务和未保留任务上，分步强化学习（Step-wise RL）都比逐幕强化学习（Episode-wise RL）更高效。两种强化学习训练方法都从MLAgent-SFT开始。红色点之间的间隔是5步，而蓝色三角形之间的间隔是1步 从性能提升速度来看，逐步 RL 方法在训练初期就展现出了明显的优势。在 GPU 时间约为 1 小时时，逐步 RL 方法的平均相对增益已经达到了约 3%，而传统的基于剧集的 RL 方法可能仅能达到 1% 左右。并且，随着训练的进行，逐步 RL 方法的性能提升速度始终保持领先。例如，在 GPU 时间增加到 5 小时时，逐步 RL 方法的平均相对增益可能达到 10%，而传统的基于剧集的 RL 方法可能仅为 5% 左右。
采样效率的提升也是逐步 RL 方法的一大优势。通过从固定的状态分布中采样状态，逐步 RL 方法能够更高效地利用训练数据。与传统的基于剧集的 RL 方法相比，逐步 RL 方法能够在相同数量的采样中获得更多的有效信息，从而更准确地估计策略的价值函数。例如，在一个图像分类任务中，逐步 RL 方法可以通过对关键状态的采样，快速识别出影响模型性能的关键因素（如学习率、批量大小等），并针对性地进行优化。这种高效的采样策略使得逐步 RL 方法能够在更短的时间内实现更优的性能。
此外，逐步 RL 方法在适应 ML 任务特点方面也表现出色。ML 任务通常具有多样化的状态空间和复杂的动作空间，传统的基于剧集的 RL 方法在面对这样的任务时，往往需要大量的样本才能学习到有效的策略。而逐步 RL 方法通过将策略学习分解为单步行动的优化，能够更好地适应这些复杂的特点。例如，在一个自然语言处理任务中，逐步 RL 方法可以更高效地学习到如何优化文本预处理流程和模型架构，从而实现更好的性能。
特定于 agentic ML 奖励模块的有效性验证 通过消融实验，研究者们详细分析了特定于 agentic ML 奖励模块中各组成部分的有效性。
实验结果表明，每个组成部分都在 RL 训练过程中发挥着独特的价值。例如，当移除标准化性能奖励（Rperf.）时，模型的性能出现了明显的下降。以 cifar-10 任务为例，移除 Rperf. 后，模型的平均准确率从 68.88% 降至 60.53%，最佳准确率从 81.45% 降至 65.81%。这表明细粒度的奖励信号对于引导智能体实现有意义的性能提升至关重要。通过将性能改进量化为具体的奖励值，智能体能够明确地了解哪些行动有助于提高任务性能，从而更有针对性地进行策略优化。
格式奖励（Rformat）的移除导致了最严重的性能退化。例如，在 feedback 任务中，模型的平均 MCRMSE（均值方根误差）从 0.5910 上升至 0.6298，最佳 MCRMSE 从 0.5777 上升至 0.5925。这强调了确保智能体输出格式合规性的必要性。只有生成符合要求的代码和操作，智能体才能在环境中有效地执行任务，并获得有意义的反馈。格式奖励通过惩罚不符合格式要求的行动，引导智能体学习正确的输出模式，从而保证了整个训练过程的有效性。
边界情况奖励（Rcorner）虽然在某些任务中影响较小，但在整体训练稳定性方面仍具有重要作用。例如，在 denoising-dirty-documents 任务中，移除 Rcorner 后，模型的平均 RMSE（均方根误差）从 0.0741 上升至 0.0762，最佳 RMSE 从 0.0556 上升至 0.0571。尽管这种变化幅度不大，但在面对复杂的现实环境时，边界情况奖励能够防止智能体因非致命问题（如资源耗尽、时间限制等）而受到过度惩罚，从而维持了训练过程的稳定性和鲁棒性。
综合来看，这三个组成部分共同构成了一個连贯且全面的奖励结构。Rperf. 驱动智能体追求性能提升，Rformat 确保智能体的行为符合规范，而 Rcorner 则在复杂多变的现实环境中维持了训练的稳定性。在 RL 训练过程中，它们相互补充，共同引导智能体的学习过程，使其能够在各种 ML 任务中实现卓越的性能表现。
总结 ML-Agent 所提出的学习型智能体 ML 新范式和创新的训练框架，改变了传统的自主机器学习模式，使基于 LLM 的智能体从规则自动化迈向了动态、经验驱动的学习阶段。
通过探索增强微调、逐步 RL 范式和特定于 agentic ML 的奖励模块这三个关键组件的协同作用，ML-Agent 能够在有限的训练任务上实现高效学习，并展现出强大的跨任务泛化能力。这种能力不仅提高了自主机器学习工程的效率和性能，还减少了对人工干预的依赖。
ML-Agent 的主要贡献在于以下几个方面：
1. 新范式的引入 ：它提出了学习型智能体自主机器学习（agentic ML）范式，使 LLM 智能体能够通过在线强化学习与 ML 任务环境进行交互，主动探索策略并不断改进决策。这一范式的提出为自主机器学习领域开辟了新的研究方向，为未来的智能体设计提供了新思路。 2. 创新的训练框架 ：ML-Agent 的训练框架包含三个关键组件，这些组件在提高智能体探索能力、训练效率和学习效果方面取得了显著的突破。探索增强微调拓宽了智能体的策略搜索空间；逐步 RL 范式解决了传统 RL 方法在 ML 实验中的采样效率问题；特定于 agentic ML 的奖励模块为智能体提供了精准的学习信号。这些创新的训练方法为智能体的高效学习和卓越性能奠定了坚实的基础。 3. 卓越的实验性能 ：尽管仅使用了 7B 参数规模的 LLM，ML-Agent 在 13 个任务上的表现却超越了包括 671B 参数规模的 DeepSeek-R1 在内的多个先进智能体，实现了最新的技术性能。这一结果证明了 ML-Agent 训练框架的有效性和优越性，展示了其在任务解决和跨任务泛化方面的强大能力。 这里需要注意的是 ML-Agent 仍然存在一些局限性。比如，ML-Agent 的训练任务数量有限，仅有 9 个 ML 任务用于训练。这限制了智能体对更广泛任务场景的适应能力。可以考虑在更多的任务上进行训练，以进一步提高智能体的泛化能力。
ML-Agent 目前的设计使其在特定的环境中表现最佳，而在面对全新的 ML 框架或架构时，其适应性仍面临挑战。例如，当遇到一个全新的深度学习框架或一种全新的数据类型时，智能体可能需要重新调整其策略。比如，可以包括设计更通用的环境适配机制，使智能体能够更快地适应新的环境和任务需求。另外，迁移学习也是一个值得深入探讨的方向。通过迁移学习，智能体可以利用在有限训练任务中学习到的知识，更快地适应新的任务场景。
综上吧，ML-Agent 的研究还是为我提供了宝贵的知识和启发的，很期待这一领域的更多发展。各位，看过此文有什么感想？如有其他想法可以在评论区留言，我们聊聊。或者加入“
觉察流 ”社区群，与群里的小伙伴一起学习、交流。加入方法，私信回复“ 入群 ”“ 加群 ”即可。
如果你关注 AI Agent 技术，可以点击订阅主题👉“ AI Agent ”。
