ML-Master 2.0: KI-Agent revolutioniert Forschung mit ultra‑langen Zeithorizonten

Die Weiterentwicklung künstlicher Intelligenz hin zu agentischer Wissenschaft stößt derzeit an die Grenze der ultra‑langen Autonomie. Dabei geht es darum, strategische Kohärenz und iterative Korrekturen über experimentelle Zyklen von Tagen oder Wochen hinweg aufrechtzuerhalten. Obwohl große Sprachmodelle (LLMs) in Kurzzeit‑Logik brillieren, geraten sie in hochdimensionalen, verzögerten Feedback‑Umgebungen der realen Forschung leicht in die Knie und können spärliches Feedback nicht in langfristige Leitlinien umwandeln.

In dieser neuen Studie wird ML‑Master 2.0 vorgestellt, ein autonomer Agent, der die Herausforderung der ultra‑langen Zeithorizonte im Bereich Maschinelles Lern-Engineering (MLE) meistert – ein Mikrokosmos wissenschaftlicher Entdeckung. Durch die Umgestaltung des Kontextmanagements zu einem Prozess der kognitiven Akkumulation führt die Arbeit die Hierarchische Kognitive Zwischenspeicher-Architektur (HCC) ein. Diese mehrstufige Struktur, inspiriert von Computersystemen, trennt Erfahrungen über die Zeit hinweg und distilliert flüchtige Ausführungsspuren in stabile Erkenntnisse und übergreifende Weisheiten. Damit kann der Agent die unmittelbare Ausführung von der langfristigen Experimentstrategie abkoppeln und die Grenzen statischer Kontextfenster überwinden.

In Tests auf OpenAI’s MLE‑Bench mit 24‑Stunden-Budgets erzielte ML‑Master 2.0 einen Rekordmedaillenwert von 56,44 %. Die Ergebnisse zeigen, dass ultra‑lange Autonomie ein skalierbares Modell für KI bietet, die autonome Erkundung über menschlich bekannte Komplexitäten hinaus ermöglicht.