在人工智能与科研深度融合的浪潮中，一款名为ML-Master 2.0的自主智能体系统引发全球关注。由上海交通大学人工智能学院、上海算法创新研究院及深势科技联合研发的这款系统，基于国产开源大模型DeepSeek-V3.2-Speciale，在OpenAI权威评测基准MLE-bench中以56.44%的奖牌率登顶全球榜首，较国际顶尖团队基于闭源模型的方案提升28.3%。这一突破标志着中国团队在AI驱动科研探索领域实现关键范式革新。
区别于传统AI系统聚焦短程任务优化的路径，ML-Master 2.0专为机器学习工程（MLE）的复杂场景设计。真实科研场景中，科研人员常需在数十小时内经历假设验证、代码调试、结果分析的循环迭代，失败率远高于成功率。研发团队突破性地将"认知积累"作为核心架构，通过层次化认知缓存机制（HCC），将探索过程中产生的经验、知识与智慧分层管理：即时经验支撑当前决策，稳定知识服务同一任务，跨任务智慧为新问题提供策略起点。这种设计使系统在长时间运行中既能保持探索方向，又能避免"上下文爆炸"导致的认知混乱。
在MLE-bench的严苛测试中，ML-Master 2.0展现三大核心能力：其一，超长程自主性，可在持续数十小时的科研任务中保持目标聚焦；其二，高效试错机制，能从失败实验中提炼规律而非简单重复尝试；其三，认知迁移能力，能将已验证无效的技术路径主动排除，并将经验转化为可复用的认知资产。测试数据显示，该系统在完全无人工干预条件下，代码生成、调试修正与结果分析的完整闭环执行效率较国际同类产品提升显著。
目前，ML-Master 2.0已进入实际应用阶段，在理论计算物理模拟、具身智能机器人训练等前沿领域发挥关键作用。例如在量子材料研究中，系统通过自主设计实验方案，将传统需要数月的模拟周期压缩至两周；在机器人控制领域，其持续优化能力使机械臂操作精度突破行业基准。这些实践验证了AI科学家在真实科研场景中的可行性。
该系统的技术架构已通过GitHub开源平台向全球研究者开放，核心代码包含认知缓存管理、任务分解策略等创新模块。同时，SciMaster线上平台正式启动体验申请通道，通过"SciMaster的朋友圈"社区，科研人员可提前获取系统使用权。配套的EigenAI基础设施提供稳定算力支持，确保系统在复杂任务中的持续运行能力。
项目地址：
https://github.com/sjtu-sai-agents/ML-Master
SciMaster平台：
https://scimaster.bohrium.com/chat/
