科技媒體 The Decoder 昨日(10 月 11 日)發布博文，報道稱 OpenAI 公司推出 MLE-bench 新基準，旨在評估 AI 智能體在開發機器學習解決方案方面的能力。

　　該基準包括 75 個 Kaggle 競賽，旨在衡量自主 AI 系統在機器學習工程中的進展。這些競賽涵蓋了多個領域，包括自然語言處理、計算機視覺和信號處理等等。

　　注：Kaggle 是一個非常受歡迎的平臺，專注于數據科學和機器學習的在線比賽。Kaggle 提供各種類型的比賽，包括數據預測、圖像分類、自然語言處理等，適合不同技能水平的參與者。

　　在 Kaggle 的進階系統中，“Novice”(新手)、“Contributor”(貢獻者)、“Expert”(專家)、“Master”(大師)和 "Grandmaster"(特級大師)是不同的績效層級，用于衡量和識別數據科學家在 Kaggle 平臺上的技能水平和成就。

　　許多任務具有現實世界的應用，例如預測 COVID-19 mRNA 疫苗降解或解碼古代卷軸等。

　　MLE-bench 專注于兩個關鍵領域：

　　選擇具有挑戰性的任務：這些任務代表了當前機器學習的發展水平。

　　比較 AI 與人類的表現：通過對比，評估 AI 在特定任務中的能力。

　　OpenAI 在 MLE-bench 上測試了多個 AI 模型和智能體框架，使用 AIDE 框架的 o1-preview 模型表現最佳，在 16.9% 的比賽中至少獲得了一枚銅牌，該結果超越了 Anthropic 的 Claude 3.5 Sonnet。

　　獲得 5 金即可評上 "Grandmaster" 特級大師，而 o1-preview 模型在 MLE-bench 測試中獲得了 7 枚金牌。

　　OpenAI 承認 MLE-bench 也有局限性，并未涵蓋 AI 研究與開發的所有方面，主要集中在具有明確問題和簡單評估指標的任務上。

　　MLE-bench 基準現已在 GitHub 上發布，OpenAI 希望通過這一工具，推動 AI 在機器學習領域的進一步發展。