Meta发布A-MLE自动化ML实验Agent框架
Meta published A-MLE, a new AI agent framework they actually built and deployed…
这是工业界罕见的将Agent真正落地到核心ML工程流水线的案例，展示了从通用LLM到领域专用Agent的性能跃迁，对做MLOps和AutoML的团队极具参考价值。
Meta published A-MLE, a new AI agent framework they actually built and deployed to automate ML experimentation across their ads-ranking models.
Meta 发布了 A-MLE，这是一个他们实际构建并部署的 AI 智能体框架，用于在其广告排序模型上自动化机器学习实验。
All because, production ML is often limited by how fast engineers can test ideas.
这一切是因为，生产环境中的机器学习往往受限于工程师测试想法的速度。
A-MLE, Meta's automates the repetitive loop behind improving ads-ranking models: proposing ideas, running experiments, recovering failed jobs, comparing results, and carrying useful lessons to other models.
A-MLE 自动化了改进广告排序模型背后的重复循环：提出想法、运行实验、恢复失败的任务、比较结果，并将有用的经验教训应用到其他模型中。
A generic LLM scored 8% on Meta’s basic capability test, while the domain-equipped agent reached 68%.
在 Meta 的基础能力测试中，通用大语言模型得分仅为 8%，而具备领域知识的智能体达到了 68%。
On 1 experimental ranking model, broader exploration cut offline regression error by 2.56% relative to baseline while training QPS stayed essentially unchanged at +0.42%.
在一个实验性排序模型上，更广泛的探索使离线回归误差相对于基线降低了 2.56%，同时训练 QPS（每秒查询数）基本保持不变，仅增加了 0.42%。
更进一步：量化金融体系
看懂新闻只是起点——沿量化金融路径，把它变成能交付的工程能力