MARS：具預算感知與反思搜尋的模組化自動化人工智慧研究代理

MARS：為自動化人工智慧研究而生

研究指出，複雜的機器學習工程（MLE）任務常受限於昂貴的評估成本與不透明的成效歸因，現有的大型語言模型驅動代理往往產生單片式腳本，忽略執行代價與因果因素。為此，研究團隊提出 MARS（Modular Agent with Reflective Search），把自動化研究工程化。

三大設計支柱

MARS 以三個核心機制協同運作：

• 預算感知規劃：採用成本受限的蒙地卡羅樹搜尋（MCTS），在探索效能與執行花費間做出明確權衡。
• 模組化建構：沿用「設計—分解—實作」流程，將研究任務拆解為可管理的模組，便於在複雜代碼庫中實驗與重用。
• 比較式反思記憶：透過分析不同分支解法的差異，將高訊號的改進與教訓萃取並寫入記憶，改善信用指派問題。

成效與意義

在可比較的實驗設定下，MARS 在開源框架的 MLE-Bench 表現領先，並與全球排行榜前列方法保持競爭力。系統還出現多次質的「Aha!」時刻，其中63%的被採用教訓來自跨分支轉移，顯示代理能有效把局部探索中的見解泛化到其他路徑，提升搜尋效率與成果重用性。

延伸閱讀

• PCAS：以依賴圖與 Datalog 宣告式政策實現確定性授權編譯器
• DIBA：以行為位移揭露 RLVR 下的成員推斷風險
• LaTeXpOsEd：以 LaTeX 源檔、模式比對與大型語言模型評估預印本的資安風險

原始來源：ArXiv AI

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。