在人工智能與科研深度融合的浪潮中，一款名為ML-Master 2.0的自主智能體系統引發全球關注。由上海交通大學人工智能學院、上海算法創新研究院及深勢科技聯合研發的這款系統，基于國產開源大模型DeepSeek-V3.2-Speciale，在OpenAI權威評測基準MLE-bench中以56.44%的獎牌率登頂全球榜首，較國際頂尖團隊基于閉源模型的方案提升28.3%。這一突破標志著中國團隊在AI驅動科研探索領域實現關鍵范式革新。

區別于傳統AI系統聚焦短程任務優化的路徑，ML-Master 2.0專為機器學習工程（MLE）的復雜場景設計。真實科研場景中，科研人員常需在數十小時內經歷假設驗證、代碼調試、結果分析的循環迭代，失敗率遠高于成功率。研發團隊突破性地將"認知積累"作為核心架構，通過層次化認知緩存機制（HCC），將探索過程中產生的經驗、知識與智慧分層管理：即時經驗支撐當前決策，穩定知識服務同一任務，跨任務智慧為新問題提供策略起點。這種設計使系統在長時間運行中既能保持探索方向，又能避免"上下文爆炸"導致的認知混亂。

在MLE-bench的嚴苛測試中，ML-Master 2.0展現三大核心能力：其一，超長程自主性，可在持續數十小時的科研任務中保持目標聚焦；其二，高效試錯機制，能從失敗實驗中提煉規律而非簡單重復嘗試；其三，認知遷移能力，能將已驗證無效的技術路徑主動排除，并將經驗轉化為可復用的認知資產。測試數據顯示，該系統在完全無人工干預條件下，代碼生成、調試修正與結果分析的完整閉環執行效率較國際同類產品提升顯著。

目前，ML-Master 2.0已進入實際應用階段，在理論計算物理模擬、具身智能機器人訓練等前沿領域發揮關鍵作用。例如在量子材料研究中，系統通過自主設計實驗方案，將傳統需要數月的模擬周期壓縮至兩周；在機器人控制領域，其持續優化能力使機械臂操作精度突破行業基準。這些實踐驗證了AI科學家在真實科研場景中的可行性。

該系統的技術架構已通過GitHub開源平臺向全球研究者開放，核心代碼包含認知緩存管理、任務分解策略等創新模塊。同時，SciMaster線上平臺正式啟動體驗申請通道，通過"SciMaster的朋友圈"社區，科研人員可提前獲取系統使用權。配套的EigenAI基礎設施提供穩定算力支持，確保系統在復雜任務中的持續運行能力。

項目地址：
https://github.com/sjtu-sai-agents/ML-Master
SciMaster平臺：
https://scimaster.bohrium.com/chat/