MLE-bench

为什么重要

评估 Agent 独立完成 Kaggle 竞赛的能力——理解数据、特征工程、选模型、训练、调参、提交。最强也只 17% gold。

构建方式与示例

75 个 Kaggle 竞赛。Agent 在 Docker 沙箱中有完整 GPU 环境，按 Kaggle 排名评分。

关联基准与展望

关联：DSBench、RE-Bench。不足：Kaggle 竞赛不完全代表真实 ML 工程。