前沿编程智能体（frontier coding agents）正日益被描绘为端到端的自动化研究者，而“面向科学的机器学习”（ML for science）为检验这一承诺提供了一个苛刻的测试场：改进一个科学模型往往需要的不仅是常规的机器学习工程能力，还需要超越工程层面的领域洞察力。针对这一命题，Ming Zhong 等四位作者于 2026 年 10 月 20 日提交了题为《Automating ML for Science: Can Frontier Agents Climb Scientific Hills in the Wild?》的论文（arXiv:2610.28763v1，cs.AI，交叉 cs.CL 与 cs.LG），并被 NeurIPS 2026 E&D Track 接收。
论文的核心贡献是提出了 Agent4Sci——一个长时程（long-horizon）测试平台，用于衡量当今智能体能在多大程度上改进科学机器学习基准上已发表的最佳模型。该测试平台覆盖 11 个领域、共 20 个基准。与常见的排行榜式评测不同，Agent4Sci 并不以给智能体排名为目标，而是关注在“野外”（in-the-wild）条件下智能体能取得何种类型的进展，以及它们在哪些方面存在不足。
实证结果显示，当今的前沿智能体在每一个基准上都超越了已发表的最佳结果，其中 Claude Opus 取得了 10.4% 的平均相对改进，且没有任何一次运行被标记为存在学术不端行为。然而，作者指出这些增益几乎完全来自一组机器学习工程技巧的堆叠，而非研究级别的洞察。对轨迹（trajectory）的分析揭示了这一场景下三类反复出现的局限：新颖性误校准（novelty miscalibration）、资源利用不足（resource under-utilization），以及迅速坍缩为局部工程搜索（rapid collapse into local engineering sweeps）。
为缓解上述问题，作者引入了轻量级插件式技能，分别用于研究构思（research ideation）、实验管理（experiment management）和定时检查清单（scheduled checklists）。这些技能将 Claude Opus 的改进率从 10.4% 提升至 20.1%，将 Codex 从 4.4% 提升至 8.1%，同时产生更多样、更贴合领域需求的干预措施。作者表示，Agent4Sci 为社区提供了一种追踪并推动前沿智能体从机器学习工程迈向领域洞察的方式，以应对现实世界中的 ML-for-science 问题。代码与数据已在 GitHub（https://github.com/maszhongming/agent4sci）和 Hugging Face（https://huggingface.co/datasets/MingZhong/agent4sci）上公开。提交信息显示，v1 版本于 2026 年 10 月 20 日 18:03:48 UTC 提交，文件大小约 11,505 KB，DOI 为 https://doi.org/10.48550/arXiv.2610.28763（由 DataCite 发放，注册尚待完成）。论文提供 PDF、实验性 HTML 以及 TeX 源码等多种全文链接。