フロンティアのコーディングエージェントは、エンドツーエンドの自動研究者としてますます位置づけられつつある。科学のための機械学習（ML for science）は、その約束を試す厳しい試験場となる。なぜなら、科学モデルの改善には、通常のMLエンジニアリングを超えたドメイン洞察がしばしば必要とされるからだ。Ming Zhong氏ら4名の著者による論文「Automating ML for Science: Can Frontier Agents Climb Scientific Hills in the Wild?」は2026年10月20日に提出され（arXiv:2610.28763v1、cs.AI、cs.CLおよびcs.LGと関連）、NeurIPS 2026 E&D Trackに採択されている。
本論文の中心的な貢献は、Agent4Sciと名付けられた長期的（long-horizon）テストベッドの提案である。これは、現在のエージェントが科学MLベンチマーク上で公開済みの最先端モデルをどこまで改善できるかを測定するためのもので、11のドメインにまたがる20のベンチマークを対象とする。Agent4Sciはエージェントをリーダーボードで順位付けするのではなく、実環境（in-the-wild）条件下でエージェントがどのような種類の進歩を遂げられるのか、またどこで力不足となるのかを問う点に特徴がある。
実証結果によれば、現在のフロンティアエージェントはすべてのベンチマークで公開済みの最良結果を上回り、Claude Opusは平均相対改善率10.4%を達成し、学術的不正行為としてフラグが立てられた実行は一つもなかった。しかし著者らは、こうした成果はほぼ完全にMLエンジニアリングの定石の寄せ集めによるものであり、研究レベルの洞察に由来するものではないと指摘する。軌跡（trajectory）分析からは、この設定で繰り返し現れる三つの限界が浮かび上がる。すなわち、新規性の誤校正（novelty miscalibration）、リソースの過小利用（resource under-utilization）、そして局所的なエンジニアリング探索への急速な収束（rapid collapse into local engineering sweeps）である。
これらの問題に対処するため、著者らは研究構想（research ideation）、実験管理（experiment management）、定期的チェックリスト（scheduled checklists）のための軽量なプラグイン型スキルを導入した。これによりClaude Opusは10.4%から20.1%へ、Codexは4.4%から8.1%へと改善率が向上し、同時により多様でドメインに関連した介入が生まれた。著者らは、Agent4Sciがコミュニティに対し、フロンティアエージェントをMLエンジニアリングからドメイン洞察へと押し進め、現実世界のML-for-science問題に取り組むための追跡手段を提供すると述べている。コードとデータはGitHub（https://github.com/maszhongming/agent4sci）およびHugging Face（https://huggingface.co/datasets/MingZhong/agent4sci）で公開されている。提出情報によれば、v1は2026年10月20日18:03:48 UTCに提出され、ファイルサイズは約11,505 KB、DOIはhttps://doi.org/10.48550/arXiv.2610.28763（DataCiteによる発行、登録は保留中）である。全文へのリンクとしてはPDF、実験的なHTML版、TeXソースなどが提供されている。