KI-Wissenschaftler: Neue synthetische Aufgaben steigern Lernleistung von Agenten

Mit dem Aufkommen von KI-Agenten wird die automatische wissenschaftliche Entdeckung immer greifbarer. Doch bislang fehlt ein systematischer Ansatz, um solche Agenten effektiv zu trainieren. Eine neue Studie präsentiert einen innovativen Pipeline-Ansatz, der synthetische Lernumgebungen speziell für Machine‑Learning‑Agenten erzeugt.

Die Pipeline generiert automatisch ML‑Herausforderungen, die nahtlos in das SWE‑Agent‑Framework passen. Dabei werden Themen ausgewählt, Datensätze vorgeschlagen und Code generiert. Die vorgeschlagenen Datensätze werden direkt über die Huggingface‑API verifiziert, sodass die Aufgaben auf realen Daten basieren. Zusätzlich sorgt ein selbstdebugender Loop für eine höhere Qualitätskontrolle der generierten Aufgaben.

Um die Wirksamkeit zu prüfen, wurden die synthetischen Aufgaben auf dem MLGym‑Benchmark eingesetzt. Ein Lehrer‑Modell (GPT‑5) erzeugte Lerntrajektorien, die anschließend zum Training von Schüler‑Modellen (Qwen3‑4B und Qwen3‑8B) verwendet wurden. Die Ergebnisse zeigen eine deutliche Leistungssteigerung: Der AUP‑Wert stieg um 9 % für Qwen3‑4B und um 12 % für Qwen3‑8B.

Diese Entwicklung unterstreicht das Potenzial synthetischer Lernumgebungen, KI‑Agenten gezielt zu schulen und damit die Effizienz von maschinellem Lernen in der Forschung nachhaltig zu erhöhen.