浙大与蚂蚁联合研究：机器学习Agent可在执行前预测方案有效性
大模型能在不跑代码的情况下预测机器学习方案优劣，将搜索效率提升6倍。
机器学习Agent的执行代价高昂，一次实验可能耗时数小时。浙大与蚂蚁的研究表明，大模型能在不跑代码的情况下，以61.5%的准确率预测哪个方案更有效，将搜索效率提升6倍，最终性能提升6%。
正文摘录
ACL 2026 SAC Highlight｜机器学习 Agent 的真正瓶颈，不是写代码，而是判断哪个实验值得跑 .657.jpg)  本论文由浙江大学与蚂蚁集团联合实验室完成，并获得 ACL26 SAC Highlight 奖。本文作者：郑景升，浙江大学软件学院在读硕士生，研究方向为 LLM 智能体。本工作在蚂蚁实习期间完成。 现在的 AI 不仅能聊天，已经可以独立做机器学习实验了 —— 拿到任务，自己写训练代码、自己跑实验、看结果、改方案，循环往复直到拿出更好的模型。 Anthropic 的 Claude Code 负责人 Boris Cherny 有句话很能概括这种新范式：“我不再 prompt Claude 了，我写的是跑起来去 prompt Claude 的循环。” 这种被称作 loop engineering 的思路，正在成为 Agent 开发的主流 —— 不再一问一答地驱动模型，而是设计一套自动循环，让 Agent 在 “生成→执行→反馈→改进” 里自己迭代。