推出智能化机器学习工程伙伴 MLE-STAR，谷歌 AI 带来自动化任务的新突破
发布时间：2025-08-04 12:37:08 | 责任编辑：张毅 | 浏览量：7 次
近日，谷歌 AI 团队发布了 MLE-STAR（机器学习工程通过搜索和针对性优化），这是一款先进的代理系统，旨在自动化复杂的机器学习流程设计与优化。MLE-STAR 结合了大规模网络搜索、针对性代码优化和强大的检查模块，在多个机器学习工程任务上表现出色，超越了以往的自主机器学习代理和人类基线方法。
当前，尽管大型语言模型（LLMs）在代码生成和工作流自动化方面取得了一定进展，但现有的机器学习工程代理仍然面临诸多挑战。比如，过于依赖 LLM 的记忆，往往只使用 “熟悉” 的模型，忽视了先进的、任务特定的方法;又如，之前的代理修改代码时往往采取 “一次性全改” 的方式，缺乏对数据预处理、特征工程等管道组件的深入探索。此外，生成的代码也容易出现错误、数据泄露等问题。
MLE-STAR 针对这些问题，推出了一系列核心创新。首先，MLE-STAR 通过网络搜索来选择模型和代码片段，而不仅仅依赖其内部的 “记忆”，确保初始解决方案基于当前最佳实践。其次，它采用了两轮优化过程:外部循环通过消融研究识别影响性能的关键组件，而内部循环则针对这些组件进行深入探索。此外，MLE-STAR 还能够提出并实施新颖的集成方法，通过多种候选解决方案的结合，提升整体性能。
为了确保代码的质量，MLE-STAR 还引入了多个专门的代理，包括自动捕捉和修复 Python 错误的调试代理、检查数据泄露的代理以及确保充分利用所有数据文件的使用检查代理。通过这些措施，MLE-STAR 在各种基准测试中表现卓越，尤其是在 Kaggle 竞赛中，获得了显著的金牌和优秀作品率。
MLE-STAR 的开源代码库也使研究人员和机器学习从业者能够将这些先进的能力整合到自己的项目中，从而加速生产力和创新的进程。
项目:https://github.com/nv-tlabs/cosmos1-diffusion-renderer
划重点:
💡 MLE-STAR 是谷歌推出的先进机器学习工程代理，旨在自动化复杂任务。
🔍 采用网络搜索、针对性优化和多种检查机制，MLE-STAR 显著提升了机器学习工程的效率和质量。
🏆 在 Kaggle 竞赛中，MLE-STAR 表现优异，取得了更高的金牌和优秀作品率。
谷歌 AI 于 2025 年 8 月 4 日推出了 MLE-STAR（Machine Learning Engineering via Search and Targeted Refinement），这是一款先进的机器学习工程代理系统，旨在自动化复杂的机器学习任务设计、优化与执行流程。
核心能力与技术创新
-
搜索+优化双轮驱动：MLE-STAR 首先通过网络搜索获取最新、最适合任务的模型与代码片段，再对关键代码模块进行“针对性优化”，而非一次性重构整个脚本。
-
多轮迭代与调试机制：系统引入“调试代理”和“数据泄漏检查”模块，确保代码质量、数据完整性和模型鲁棒性。
-
自适应模型集成：支持智能集成多个模型（如 EfficientNet、ViT 等），通过加权、堆叠等方式进一步提升性能。
实际表现
在 MLE-Bench-Lite 基准测试（涵盖 22 项 Kaggle 竞赛任务）中，MLE-STAR 表现远超现有方案：
-
获奖率：63.6%（其中金牌占 36.4%），而此前最佳代理 AIDE 仅为 25.8%；
-
有效提交率：100%，显著高于 AIDE 的 78.8%；
-
超过中位数的比例：83.3%，而 AIDE 为 39.4%。
开源与可用性
MLE-STAR 已开源，基于 Google 的 Agent Development Kit（ADK） 构建，支持开发者集成扩展，并允许人类专家手动注入新模型描述以加速技术迭代。
意义与前景
MLE-STAR 显著降低了机器学习任务的门槛，不仅适用于专业工程师，也适合初学者快速上手。随着模型和算法的持续更新，MLE-STAR 将通过实时搜索和优化机制保持技术领先，推动跨行业的 AI 应用创新。
本网站(https://aigc.izzi.cn)刊载的所有内容，包括文字、图片、音频、视频等均在网上搜集。
访问者可将本网站提供的内容或服务用于个人学习、研究或欣赏，以及其他非商业性或非盈利性用途，但同时应遵守著作权法及其他相关法律的规定，不得侵犯本网站及相关权利人的合法权利。除此以外，将本网站任何内容或服务用于其他用途时，须征得本网站及相关权利人的书面许可，并支付报酬。
本网站内容原作者如不愿意在本网站刊登内容，请及时通知本站，予以删除。
