瓶颈不在算力，在工程师的日历
Meta 的广告排序团队刚刚把一个反直觉的结论写成了论文：拖慢这套几十个模型组成的大系统前进的，既不是模型容量也不是训练算力，而是人工 ML 迭代的吞吐量——一次从假设、改代码、训练、调试到评估的完整探索，一位资深工程师在一个模型上要耗掉数天到数周。几十个异构模型排成组合，技术扩散慢且不均匀，长尾的模型几乎没有专家愿意看。arXiv 2609.08248，39 位作者，9 月 8 日提交，描述了他们给出的解法：A-MLE，一个接管整个迭代循环的自主智能体系统。
架构上，A-MLE 用单个智能体编排五个阶段：假设生成、探索策略、实验执行、结果分析与共享知识底座。智能体调用领域技能库与智能体工作流，跑在沙箱执行层之上，训练与评估管线以结构化接口开放给它。设计里最值得琢磨的是人的位置——每个阶段边界都设了人工检查点，智能体干活，工程师在关卡上签字，而不是时刻盯着每次操作。
三层能力测试：装备与智商的分账
评估沿三层能力框架展开。L1 工具可用性层，在实验排序模型 M* 上的对比相当直白：领域装备的 A-MLE 配置拿到 68%，通用 ML 智能体只有 16%，裸的通用大模型 8%。差距最大的题型是作业配置修改，领域装备版全部答对，通用配置不到四成。结论写得很克制：在这一层，领域技能而不是模型智力决定成败。
L3 开放式探索层的结果更接近业务价值。在实验排序模型上，多源探索配置——同时组合架构假设与训练效率分析两类生成器——带来 2.56% 的相对离线回归误差改善，而训练吞吐基本不变（QPS 变化 +0.42%）；作为对照，单假设配置只有 0.44%，多轮架构探索 0.58%。对排序模型来说，无吞吐代价的误差改善是可以直接进生产评估的候选，这正是「力倍增器」的含义：它未必替你做出天才设计，但能把专家注意力覆盖不到的模型长尾逐一犁一遍。
换个底座模型，性格全变
论文还做了一组漂亮的控制变量：固定智能体循环、技能与提示词，只换底层 LLM。L2 自主工作流执行层，Claude Sonnet 3.5 以上、Gemini 2.5 与 GPT-5 的任务完成度落在高位段，其余模型根本跑不通流程——编造工作流编号、不会等待异步任务完成。到了 L3 探索层，关系更微妙：默认提示下 Gemini 2.5 和 GPT-5 探索得更冒进，Sonnet 系偏保守；而换上施压式提示后格局翻转，Sonnet 4.0 给出了所有配置里最好的探索结果，GPT-5 反而收缩、把默认提示下的大部分收益退了回去。智能体系统的行为是 harness 与模型性格的合成物，换一层就换一副脾气。
对业内的参照价值在于三点：其一，企业里最该先让智能体接手的往往不是明星模型，而是没人管的那些；其二，技能库与沙箱的工程投入优先级高于反复换底座模型；其三，人机分工的正确粒度是阶段边界的检查点，既不是无人化也不是全程盯梢。失败模式一节论文写得坦率，目前官方及行业暂未披露更多细节，后续将持续跟进迭代动态。
它没有替代谁，它接住了没人接的活
和通用 AutoML、MLE-bench 这类基准线上的工作相比，A-MLE 的不同在于它是从真实生产栈里长出来的：任务结构来自真实的排序模型组合，失败模式来自真实的基础设施抖动。论文反复强调的判断是，harness 与领域技能的可靠性支配整体表现——这与站内近来多批拆解的结论相互印证，只是这次把场景换成了工业推荐系统。对大多数企业来说，短期内未必养得起这样一条智能体探索流水线，但它划定了一个清晰的参照点：当迭代循环本身成为可优化的对象，ML 团队的产出结构就会重新排座次——写假设、判结果的人升值，跑实验的人得换个位置。