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%
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。