📖标题：AIRA_2: Overcoming Bottlenecks in AI Research Agents
🌐来源：arXiv, 2603.26499v1
🌟摘要
现有的研究已经确定了人工智能研究代理中的三个结构性性能瓶颈：（1）同步单GPU执行限制了样本吞吐量，限制了搜索的好处;（2）基于验证的选择导致性能在扩展搜索范围内下降的泛化差距;以及（3）固定的、单轮LLM运营商的有限能力对搜索性能施加了上限。我们引入AIRA 2，它通过三种架构选择来解决这些瓶颈：异步多GPU工作池，线性增加实验吞吐量;隐藏一致性评估协议，提供可靠的评估信号;和ReAct代理，它们动态地确定其操作范围并交互地进行调试。在MLE-bench-30上，AIRA 2在24小时内实现了71.8%的平均百分位数排名-超过了之前最好的69.9%-并稳步提高到76.0%消融研究表明，每个组件都是必要的，并且先前工作中报告的“过拟合”是由评估噪声而不是真实的数据记忆驱动的。
🛎️文章简介
🔸研究问题：如何克服同步执行低吞吐、验证集过拟合以及固定算子能力受限这三大阻碍 AI 科研代理性能提升的结构性瓶颈？
🔸主要贡献：论文提出了 AIRA 2 系统，通过异步多 GPU 架构、隐藏一致性评估协议及 ReAct 动态代理，在 MLE-bench 上刷新了长时程搜索的性能纪录。
📝重点思路
🔸构建异步多 GPU 工作池，将决策与执行解耦，利用容器化技术实现实验吞吐量的线性扩展，解决单 GPU 同步执行的效率瓶颈。
🔸设计隐藏一致性评估（HCE）协议，固定数据划分并对外部化评估过程，防止代理利用验证信号作弊，确保持续搜索中的泛化能力。
🔸用具备动态作用域和交互调试能力的 ReAct 代理取代固定的单轮提示算子，使系统能自主进行探索性数据分析及多步错误修复。
🔸采用稳态进化搜索策略，由全局协调器维护候选解种群，根据适应度排名采样父代并分发变异任务，最大化并行计算的价值。
🔎分析总结
🔸在 MLE-bench-30 基准测试中，AIRA 2 在 24 小时内达到 71.8% 的平均百分位排名，超越此前最佳纪录，且在 72 小时后进一步提升至 76.0%。
🔸消融实验证明，若无 HCE 协议，长时间搜索会导致性能因评估噪声而退化，而非真正的数据记忆过拟合，HCE 是长时程优化的关键。
🔸单纯增加并行 GPU 数量若无进化机制共享状态，性能会迅速饱和；只有结合进化搜索才能将额外算力转化为渐进式的性能提升。
🔸ReAct 代理在短时间窗口内显著优于静态算子，充当了效率倍增器，能快速发现高质量解，但在极长时程下差距有所缩小。
💡个人观点
论文将 AI 科研代理的设计从单纯的模型推理能力提升到了系统工程层面，精准识别并解决了制约自动化科研的“吞吐量”、“评估信号真实性”和“操作灵活性”三个根本性工程问题。
