机器学习智能体不必每次都真跑：4B世界模型预测程序结局，17项任务命中77.9%
核心概要
AI研究智能体每试一个候选程序都要训练和评估模型，执行成本限制了每步能比较的候选数量。MLE-World 由 Qwen3.5-4B 微调而来，只读代码与数据说明就预测程序的终端输出、异常类型和验证分数，并给出置信度。在17项 MLE-bench Lite 任务的留出程序上，其预测终端输出与真实运行一致的比例为77.9%，提示模型基线为41.1%；以它指导的测试时扩展策略最高比无世界模型的智能体高出22.1%的观测平均表现，同时减少真实执行。
深度剖析
机器学习工程智能体在搜索时可以先比较多个候选程序，再只真正运行其中一个。 此前的剪枝和排序方法能降低总执行量，但单次执行成本不变，也不返回错误轨迹和训练日志供后续调试。 在17项 MLE-bench Lite 任务的1,700个留出程序上，MLE-World 预测的终端输出与真实运行一致的比例为77.9%，而最强的提示模型基线 DeepSeek 为41.1%。
预测来自一次推理调用，而不是一次训练运行，因此智能体可以在固定时间预算内多比较几个候选。 MLE-World 以 Qwen3.5-4B 为基座做全参数监督微调，训练数据是约49.7万条代码与执行输出的配对记录。 输入包含程序、已安装包及版本、数据概览和时间限制，输出按异常类别、终端输出、验证分数等字段依次解码，异常类别作为单个新增词元先解码。
预测附带的置信度决定哪些候选需要真实执行。 预测并非总对：留出程序上22%的预测终端输出和14%的预测异常类别与真实运行不符。 置信度门控在预测成功与预测失败时使用不同阈值，预测超时的程序从不运行；在五种策略上，门控把真实执行时间降低30%至40%，同时大体维持表现。
启示与展望
主要评估在分布内进行：留出程序是新的，但17项任务都出现在微调数据中。预测准确率、五种策略的搜索对比和门控节省都在这一设定下测得；三项未参与微调任务上的执行预测另有单独报告。
预测错误仍可能误导搜索，超时是最难预测的结果，漏掉的超时仍要付出一次完整运行。门控在 UCB 策略上使平均百分位下降0.9，作者称门控大体维持表现。未参与微调任务上的迁移证据主要涉及识别执行失败，成功训练结果与超时的预测仍较不确定。