CLEAR把论文先变成可核对的执行规格：PaperBench均分29.87，单篇成本7.91美元

CLEAR把机器学习研究工程拆成两件事：先确定要实现什么，再决定怎么实现。研究文档不再直接当作代码生成的提示，而是先被转成一份可人工检查的执行规格，后续规划、编码和修复都围绕这份规格进行。 此前的智能体系统把研究解读与代码生成、执行紧耦合在同一个循环里，文档中的隐含假设在生成过程中被隐式补齐，早期理解偏差会写进下游代码，出错后往往靠大段重新生成来恢复。 在PaperBench的20项任务上，CLEAR平均得分29.87、单篇平均成本7.91美元；AiScientist平均得分33.73、单篇成本12.20美元，CLEAR成本低35.16%，得分少3.86分。两套系统使用的骨干模型不同，CLEAR用Claude-Opus 4.6与Claude-Sonnet 4.6，AiScientist用Gemini-3-Flash与GLM-5。

这套流程分三步走：先把文档解析成规格，再按规格分块生成代码，最后在执行中定位失败并只修受影响的部分。 规格由机器可读的结构化条目和一段给人看的方法摘要组成，前者记录算法、输入输出、依赖、参数、接口、评测指标与提交约束，后者作为人工检查界面。 生成阶段由规划模型把工作拆成规格限定的子任务，并按任务复杂度动态决定低成本编码模型的数量；执行阶段的生命周期控制层跟踪规格、生成、执行、失败与修复状态，在PaperBench上CLEAR平均每任务消耗约56.4万token，去掉规格层后升至约84.2万token。

规格层的作用在消融中可以直接看到：去掉文档到规格的解析后，效果和成本同时变差。 去掉规格的变体让规划模型直接读原始文档，PaperBench平均得分下降19.18%，平均成本上升27.43%；在MLE-Bench Lite上，有效提交、高于中位数和任意奖牌三项分别下降9.09%、10.53%和17.64%。 把规划与编码模型统一换成GLM-5的同构配置保留规格流程，PaperBench得分比完整CLEAR低11.59%，平均成本高51.07%，说明Opus与Sonnet的分工配置在性能与成本之间更划算。

评测覆盖PaperBench的20项论文复现任务与MLE-Bench Lite的22项竞赛任务，每个任务分配一块Nvidia A800 80GB GPU和24小时预算，PaperBench使用GPT-5.4作为评判模型。实验声明未使用人工审阅或修改系统生成的文档，因此报告的是无人工干预下的表现。

CLEAR在PaperBench不同任务上的表现差异明显，在adaptive-pruning和robust-clip等任务上仍有较大差距，效果依赖具体任务。跨模型token计数因模型家族与分词器不同，只能作为系统层面的用量比较，而非与模型无关的计算成本度量。