A-MLE：面向广告排序的 Agentic ML 探索

复现级别：公开控制器机制实现。 本地实现阶段状态、独立研究 idea、审计事件和执行经验；不复现 Meta 内部 sandbox、训练平台或模型资产。

论文信息

字段	内容
论文链接	arXiv 2609.08248
公司/机构	Meta Platforms, Inc.
首次公开日期	2026-09-08（arXiv v1）
原文开源代码	未找到 / 未发布
Adapter / 方法	research-portfolio-amle
本地复现代码	src/auto_research/research_loop/portfolio.py

原始论文总结

背景与主要改动

A-MLE 把工业 ML 迭代拆成假设生成、探索策略、实验执行、结果分析和共享知识五个阶段， 由 Agent 调用领域技能并在阶段边界保留人工检查点。优化对象不只是单个模型指标，也包括 跨模型迁移技术时的研究吞吐和执行可靠性。

原论文关键图

原论文 Figure 1（关键图）：展示原论文方法的总体设计和关键组成。图片来自原论文，版权归原作者所有；点击图片可查看来源。

本地复现与边界

ResearchPortfolio 提供可审计状态转换、每个 idea 的独立持久状态、独占 worker claim、 append-only 事件轨迹和固定 baseline。现有领域 adapter、trainer 与 evaluator 才负责产生 和测量候选；控制器不执行论文标题或未实现的自然语言建议。

本实现由 tests/test_research_portfolio.py 验证状态隔离、冲突 claim、非法跳转、失败恢复、 重启恢复和执行 / 结果双记忆。论文没有发布可对齐的公共系统与工业数据，因此不报告伪造 的数值复现。