SciMaster推出自主机器学习智能体ML-Master+2.0

ML-Master 2.0是什么

ML-Master 2.0，是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联手构建的SciMaster团队潜心研发的成果。它是一个面向真实机器学习科研场景的自主智能体，旨在解决复杂的长期科研探索任务。该系统基于国产开源大模型DeepSeek构建，具备超长周期的自主执行与演进能力，可以持续数小时甚至更久地围绕一个科研目标，进行系统性的探索、试错、学习与迭代优化。其创新性的层次化认知缓存机制，能够对知识、经验与高阶策略进行高效组织与调度，极大地增强了科研过程的连贯性与效率。在OpenAI发布的MLE-bench综合测评中，ML-Master 2.0表现出色，力压谷歌、Meta等国际顶尖团队的研究成果，荣登全球榜首，彰显了我国在AI驱动自主科研方向的技术领先性。目前，该系统已成功落地于具身智能、理论物理等前沿科研领域。

ML-Master 2.0的核心能力

• 超长时间跨度的科研自主推进：它能够支持数十小时不间断运行，围绕单一科研目标展开系统性探索与迭代优化，像不知疲倦的研究员一样持续攻坚。
• 失败驱动的经验提炼与知识复用：系统能够自动从实验失败中归纳共性规律，将有效经验固化为结构化知识，并迁移至新任务中复用，真正做到“吃一堑，长一智”。
• 端到端代码生成与闭环调试：从实验设计、代码编写、运行调试到结果可视化与分析，它覆盖了科研工作的全流程，实现了真正意义上的全自动化科研闭环。
• 跨任务高阶策略共享：依托层次化认知缓存机制，它能在不同任务间复用抽象层级的决策逻辑与方法论，如同掌握了科研的“道”，从而提升泛化适应能力。
• 稳定可控的长期资源调度：在长时间运行中，它能维持高效的上文管理，防止信息过载或关键历史经验丢失，保障科研节奏的前后一致性与逻辑连贯性。

ML-Master 2.0的技术架构

• 超长程自主机制：该系统模拟人类科研工作者的行为模式，构建了一套目标驱动的长周期任务规划与执行框架。它能动态识别并规避低效路径，确保全程聚焦核心科学问题，进行有深度的探索。
• 层次化认知缓存：其认知体系被划分为经验层、知识层和智慧层三级结构。经验层支撑即时响应，知识层承载经过验证的结论，智慧层则凝练为可跨领域迁移的顶层策略。各级通过动态评估、筛选与升维机制协同运作，实现高质量信息沉淀与噪声过滤。
• 探索与推理深度融合：它集成了主动探索能力与深度推理能力，借助自适应记忆模块选择性捕获关键线索并形成结构化总结，推动二者形成正向循环，不断增强系统的分析与发现能力。
• 国产大模型底座支撑：系统采用国产开源大语言模型DeepSeek-V3.2-Speciale作为基础推理引擎，结合高性能AI算力基础设施，保障了在复杂科研任务下的高吞吐、低延迟推理表现。

ML-Master 2.0的项目入口

• 最新主页：官网主页
• GitHub 仓库：项目代码库

ML-Master 2.0的实际应用方向

• 具身智能体行为策略进化：赋能机器人在开放动态环境中自主完成感知-决策-执行闭环，显著加速其策略学习与环境适应能力的提升。
• 理论物理建模与规律发现：支持高保真物理系统仿真设计与大规模参数扫描，辅助研究人员探索未知相互作用与新物理现象。
• 机器学习工程全栈自动化：覆盖数据预处理、模型选型、超参优化、部署验证等环节，将AI模型的研发周期显著缩短。
• 多源异构复杂系统建模：适用于金融风控建模、气候系统预测、能源调度优化等强不确定性场景，提升模型的鲁棒性与动态响应精度。
• 跨学科自动化科研协作：协助生物医学、新材料研发等领域的科学家完成实验方案生成、海量数据解析、假设生成与验证推演，加速科学发现进程。