前沿程式設計智慧體（frontier coding agents）正日益被描繪為端到端的自動化研究者，而“面向科學的機器學習”（ML for science）為檢驗這一承諾提供了一個苛刻的測試場：改進一個科學模型往往需要的不僅是常規的機器學習工程能力，還需要超越工程層面的領域洞察力。針對這一命題，Ming Zhong 等四位作者於 2026 年 10 月 20 日提交了題為《Automating ML for Science: Can Frontier Agents Climb Scientific Hills in the Wild?》的論文（arXiv:2610.28763v1，cs.AI，交叉 cs.CL 與 cs.LG），並被 NeurIPS 2026 E&D Track 接收。
論文的核心貢獻是提出了 Agent4Sci——一個長時程（long-horizon）測試平臺，用於衡量當今智慧體能在多大程度上改進科學機器學習基準上已發表的最佳模型。該測試平臺覆蓋 11 個領域、共 20 個基準。與常見的排行榜式評測不同，Agent4Sci 並不以給智慧體排名為目標，而是關注在“野外”（in-the-wild）條件下智慧體能取得何種型別的進展，以及它們在哪些方面存在不足。
實證結果顯示，當今的前沿智慧體在每一個基準上都超越了已發表的最佳結果，其中 Claude Opus 取得了 10.4% 的平均相對改進，且沒有任何一次執行被標記為存在學術不端行為。然而，作者指出這些增益幾乎完全來自一組機器學習工程技巧的堆疊，而非研究級別的洞察。對軌跡（trajectory）的分析揭示了這一場景下三類反覆出現的侷限：新穎性誤校準（novelty miscalibration）、資源利用不足（resource under-utilization），以及迅速坍縮為區域性工程搜尋（rapid collapse into local engineering sweeps）。
為緩解上述問題，作者引入了輕量級外掛式技能，分別用於研究構思（research ideation）、實驗管理（experiment management）和定時檢查清單（scheduled checklists）。這些技能將 Claude Opus 的改進率從 10.4% 提升至 20.1%，將 Codex 從 4.4% 提升至 8.1%，同時產生更多樣、更貼合領域需求的干預措施。作者表示，Agent4Sci 為社群提供了一種追蹤並推動前沿智慧體從機器學習工程邁向領域洞察的方式，以應對現實世界中的 ML-for-science 問題。程式碼與資料已在 GitHub（https://github.com/maszhongming/agent4sci）和 Hugging Face（https://huggingface.co/datasets/MingZhong/agent4sci）上公開。提交資訊顯示，v1 版本於 2026 年 10 月 20 日 18:03:48 UTC 提交，檔案大小約 11,505 KB，DOI 為 https://doi.org/10.48550/arXiv.2610.28763（由 DataCite 發放，註冊尚待完成）。論文提供 PDF、實驗性 HTML 以及 TeX 原始碼等多種全文連結。