Tänk dig en AI som inte bara skriver kod, utan som faktiskt lär sig av sina misstag för att uppfinna bättre algoritmer. Det är löftet från MLEvolve, ett nytt ramverk som behandlar maskininlärningsteknik som en självutvecklande process snarare än en engångsuppgift. Om du bryr dig om den automatiserade vetenskapens framtid, så är det här där det verkligen händer.

Forskare har byggt ett flerdelsystem baserat på stora språkmodeller (LLM) som är designat för att upptäcka maskininlärningsalgoritmer från början till slut. Den grundläggande problematiken den löser är att dagens AI-agenter fastnar i silos. De misslyckas med att dela information mellan olika sökvägar, glömmer vad de lärt sig och saknar den hierarkiska kontroll som krävs för långsiktiga projekt. MLEvolve åtgärdar detta genom att använda en teknik kallad Progressiv MCGS, som gör att agenterna kan dela insikter via grafbaserade kopplingar. Systemet har även Retrospective Memory, ett dynamiskt minne som lagrar tidigare erfarenheter så att systemet kan återanvända framgångsrika strategier istället för att börja om från grunden varje gång.

Överraskningen ligger i effektiviteten. Systemet skiljer på högplansmässig planering och faktisk kodgenerering, vilket möjliggör stabila iterationer över lång tid. I tester på MLE-Bench uppnådde MLEvolve state-of-the-art-resultat på bara tolv timmar. Det är hälften av den standardtid som andra metoder kräver. Det överträffade till och med specialiserade verktyg som AlphaEvolve inom matematisk optimering, vilket bevisar att det kan generalisera över olika områden.

Slutsatsen är tydlig: statiska AI-agenter har nått en takgräns. Genom att möjliggöra kontinuerlig utveckling och minnesbevarande visar MLEvolve att nästa generation av vetenskaplig upptäckt kommer att förlita sig på system som lär sig, anpassar sig och förbättras över tid. Det handlar inte bara om snabbare kodning; det är en fundamental förändring mot autonom, självförbättrande forskning.