MLToolBench：用于机器学习开发的学习工具增强Agent

机器学习工程 (MLE) Agent已经取得了实质性进展，但通过 ML 实验进行学习仍然需要花费大量时间和计算成本。合成环境降低了这些成本，同时引入了需要特定任务诊断的数据和实验设置的变化。仅获得诊断工具并不能确保Agent了解何时使用它们或如何根据其发现采取行动。我们介绍了 ToolMLBench，这是一套用于数据检查、代码验证和实验诊断的可执行工具，以及用于学习其使用的 SFT 和 RL 管道。诊断呼叫获取的证据的价值取决于后续决策，因此最终结果对于强化哪些呼叫提供了有限的指导。我们通过 SPICE 来应对这一挑战，它衡量特权上下文如何改变采样工具操作的可能性，并将这种差异用作最终结果的回合级奖励。我们对 80 项综合任务进行训练，并对 25 项域内任务和 10 项域外任务进行评估。仅提供工具接口和描述会在未适应的模型中产生不一致的收益。使用相同的诊断接口，我们的训练管道将 Qwen3-8B 的域内成功率从 24.8% 提高到 52.4%，将 Qwen3.5-35B-A3B 的域内成功率从 35.6% 提高到 69.2%。后者的域外性能也从 31% 提高到 48%，支持在保留的源和目标上使用学习的诊断工具。