MLE-World：用世界模型预测 ML 实验结果，降低 AI 研究智能体试错成本

Brian Ko · hf · 2026-10-28

来自华盛顿大学、UIUC、牛津、哥大和 NYU 的论文提出 MLE-World：一个从 Qwen3.5-4B 微调的世界模型，能在不实际执行程序的情况下，仅凭代码和数据描述预测机器学习程序的最终输出（报错堆栈、训练日志与验证分数），并附带置信度分数估计预测正确性。

由于一次预测只需一次推理而非完整训练运行，MLE-World 让 AI 研究智能体的 test-time scaling 变得便宜。作者据此设计了五种 TTS 策略：顺序修订、Best-of-N、成对评判、Fusion，以及结合置信度探索奖励的 UCB 式规则——只有当候选方案置信度足够高时才真正执行，从而以更少的真实运行换取更高性能。