arxiv: https://arxiv.org/pdf/2502.14499

简介

Meta 推出的 MLGym 框架及配套基准 MLGym-Bench，为评估和开发LLM Agent在 AI 研究任务中的表现提供了全新工具。作为首个基于 Gym 的机器学习任务环境，MLGym 支持强化学习等算法对代理的训练，其模块化设计涵盖Agent、环境、数据集和任务四大核心组件，允许灵活集成新任务、模型、工具和Agent。MLGym-Bench 包含五类机器学习建模任务，共13个跨领域的开放式任务，覆盖数据科学、自然语言处理、计算机视觉、强化学习和博弈论方向。同时，对性能和开销进行了多维度评价。

AI Research Agents研究等级划分

文章中对AI Research Agents进行了六个等级的定义：
● Level 0 可复现： 对现有研究论文工作进行浮现。
● Level 1 改善基线： 在一个Benchmark给出一个基线代码，LLM Agent可以个改善性能。
● Level 2 达到SOTA： 在一个benchmark上金给出任务描述和可获取的公开文献且不为SOTA的方法，根据这些已有资料，实现出SOTA方法。
● Level 3 新的科学贡献： 在多个benchmark上达到SOTA，并且达到在顶级会议（NIPS、ML等）上发表的水平。
● Level 4 突破性科学贡献： LLM Agent可以发现关键研究问题、方向、解决方案并做令人瞩目的贡献，例如：获得best paper等。
● Level 5 长期研究议程： LLM Agent可以进行长期的研究，提出研究问题、方向和解决方案，并在数周、月或年内，不断产生新的科学发现。值得获得诺贝尔奖或者图灵奖的程度。

MLGym架构

该框架由四个核心组件组成：Agents、Environment、Datasets、Tasks
允许人们轻松得利用和扩展库，可以通过为Agent添加工具来扩展环境、在给定任务中添加数据集、在MLGym基准测试中添加更多任务。

Agent： 提供了一个环境和Agent分离的架构，允许用户去使用默认的Agent去测试不同的基座模型或者自己添加新的外部Agent进行测试。agent可以执行bash命令、可以获取工具集等。
Environment： 环境中是本地docker机器中的初始化的shell环境，允许使用需要的工具、安装python的依赖包、拷贝必要的环境、在独立的agent工作空间中编码和提供agent和系统之间的交互管理。
Datasets： 数据集和任务分离，一个数据集可对应多个任务，一个任务可对应多个数据集。数据集支持本地和hf下载。
Tasks： 每个任务可以包含一个或多个数据集、自定义评估脚本、特定任务的conda环境、可选的启动代码、训练超时和内存管理等，可定义不同困难度的各种开放式ml研究任务。可以自定义评估脚本和提交文件说明。
Tool 和 ACI（agent-computer interface）：扩展了搜索，导航，文件查看器，文件编辑器和上下文管理与我们的权限管理系统的命令，并引入新的命令，文献检索和内存模块。当agent打开没有权限的文件时，会生成相应的反馈内容。

MLGym-Bench 基准任务

包含五大类，13个开放式AI研究任务。

数据科学

● 房价预测：使用Kaggle数据集，基于rmse和R2评估，基线为简单的Ridge回归。
● 3-SAT问题：优化DPLL算法的变量选择启发式，基于解决100个实例的时间评估。

博弈论

● 迭代囚徒困境：设计策略最大化与随机对手的长期收益，20 轮重复游戏。
● 性别大战：协调策略选择，20 轮重复游戏，对手基于最后一轮随机选择。
● Colonel Blotto 游戏：资源分配策略，对手使用简单随机分配规则。

计算机视觉

● CIFAR-10 图像分类：基线准确率 49.71%，优化模型架构和超参数。
● Fashion MNIST 图像分类：基线为两层 CNN，优化测试集准确率。
● MS-COCO 图像字幕生成：基于图像编码器 - 文本解码器基线，优化 BLEU 分数。

自然语言处理

● MNLI 自然语言推理：基于预训练 BERT 模型，优化微调策略和超参数。
● 语言建模：使用 FineWeb 数据集，基于 NanoGPT 基线，优化验证集困惑度。

强化学习

● MetaMaze 导航：网格世界环境，基于 Gymnax，基线为 PPO 算法。
● Mountain Car Continuous 控制：连续控制环境，优化策略以驱动汽车上山。
● Breakout MinAtar 游戏：Arcade 游戏环境，基于 Gymnax 评估平均分数。

评价指标

● 性能曲线（Performance Profiles）
○ 用于统一不同指标的性能衡量对比。定义方法 m 在任务 t 上的性能比：

（1）

（2）
○ 性能曲线ρm(τ)表示方法 m 在 τ 阈值内的任务比例。其中M是所有方法的集合，P是任务集合，$l_{t,m}$是方法M在任务t上的性能度量，$r_{t,m}$是一个称为性能比率的量。
○ 适应不同指标方向（越高越好或越低越好），处理不可行方法。（1）中指标越小越好，例如：损失、困惑度等（2）中指标越大越好，例如：准确率、召回率等。
● AUP 分数（Area Under the Performance Profile）：
○ 计算性能曲线下面积，衡量方法在多任务上的综合表现。定义性能曲线下的面积（Area Under the Performance Profile），量化方法的综合表现。

其中${\tau }_{max}$是使所有方法${\rho }_m(\tau )=1$的最小阈值。
● 两类评估维度：
○ 最佳提交（Best Submission@4）：每个模型在 4 次独立运行中验证的最佳中间结果。
○ 最佳尝试（Best Attempt@4）：每个模型在 4 次独立运行中最终提交的最佳结果。
● 不可行方法处理：
○ 若有代理未生成有效解或者未超越极限，标记为 infeasible ，设置分数为：$(1+ϵ)\times r_{t,baseline}(ϵ=0.05)$
避免因部分任务失败导致评估是真，保证跨模型比较的公平性。