智能体与自主科学
颠覆级
暂无讲解视频
收录解读
- 分级：`颠覆性` - 正式标题：`Toward Ultra-Long-Horizon Agentic Science: Cognitive Accumulation for Machine Learning Engineering` - 原文：`2026-01-15-A2_ML_Master_2_0-Toward_Ultra_Long_Horizon_Agentic_Science_Cognitive_Accumulation_for_Machine_Lea.pdf` - 抽取：`extracted.md`
## 重写摘要
这篇论文瞄准的是科研代理最难的一类问题：不是单次推理，而是长时间、多轮试错、跨任务复用的持续研究。作者提出“认知累积”框架，把科研代理的上下文管理从简单的对话拼接，升级为分层缓存和长期经验沉淀。核心思想是：把短期执行轨迹不断蒸馏成稳定知识，再在新任务中复用，而不是让代理每次都从头滚上下文。
论文把这一思路落在机器学习工程场景中，并报告 ML-Master 2.0 在长预算设置下取得 56.4% 的 medal rate。这说明作者不是只在 toy task 上讲概念，而是在比较接近真实工程循环的环境里验证了“长时程记忆组织”本身的价值。
## 为什么重要
很多 agent 系统失败，并不是因为不会一步步推理，而是因为几小时后开始遗忘、漂移和自相矛盾。ML-Master 2.0 提供的是一种更接近“研究操作系统”的方向：把记忆、蒸馏和经验复用变成一等公民。
## 局限
它的收益高度依赖评测环境、工具权限和基础模型能力。缓存蒸馏如果没有严格 provenance 机制，也可能积累偏差并污染后续实验。