百度闷声憋了个大动作，此举有望逆转国内AI领域的竞争格局。
这次的FM Agent的实力不容小觑。OpenAI的MLE-Bench不是野榜，能在这上面排到第一且断档领先，绝对说明一些问题。百度刚刚开源了FM Agent和技术报告。我们一起来看看里面有什么重点。
MLE-Bench是什么
在聊FM Agent之前，得先解释一下MLE-Bench这个榜单。不然光看分数也不知道这第一名的干货有多少。
这是OpenAI在2024年10月推出的评测基准，专门测AI Agent的机器学习工程能力。注意，是“工程能力”，不是让你写个Hello World或者回答几个选择题那种简单测试。
MLE-Bench的玩法简单粗暴——直接从Kaggle上挑了75个真实的ML竞赛，图像分类、NLP、时序预测、结构化数据分析等等什么都有。然后把这些竞赛丢给Agent，看它能不能像个正经的ML工程师一样把活儿干完：读懂需求、处理数据、选模型、训练、调参、提交结果。
听起来好像也不难？但你要知道，这些可都是真实的Kaggle竞赛，不是教科书上的toy dataset。数据脏、问题复杂，有些数据集大到上百个GB。这已经不是简单的写一段代码或实现一个功能这种单一任务了，你的Agent得真的从头到尾全方位把控整个项目，才能算合格。
评分标准也很直接，就用Kaggle的奖牌系统：金牌（前10%）、银牌（前25%）、铜牌（前40%）。拿不到奖牌就不算数。所以榜单上的“Any Medal %”指标，说白了就是你的Agent在多少比赛里混到了前40%。
每个Agent能用的资源是这样的：24小时时间，36核CPU + 440GB内存，外加一张24GB的A10 GPU。配置够用，但真正的考验是你能不能把这些资源用明白。
如何看待FM Agent的成绩
回到FM Agent本身。43.56%的综合得分是什么概念呢？
MLE-Bench把75个竞赛分成了三个难度：Low、Medium、High。FM Agent的表现是：
- 低难度：62.12%（±3.03%）
- 中难度：36.84%（±2.63%）
- 高难度：33.33%（±0%）
这里的比例，比如低难度的62.12%，意味着在22个简单点的竞赛里，FM Agent大概在13个以上都拿到了奖牌。虽然这个分数不是最高的（第二名Operand ensemble是63.64%），但也属于第一梯队。
FM Agent的强项是均衡——不偏科，在各种难度的任务上都能稳定输出。尤其是在高难度任务上33.33%的获奖率，拉开所有其它选手一大截。我们都知道，高难度的竞赛往往才是真正考验选手实力的地方，能在这里拿出好成绩，说明这个Agent的上限很高。
还有个细节值得注意：FM Agent的标准误差只有±1.78%，说明它每次跑的结果都很稳定。这在实际应用中特别重要，只有结果稳定，我们才能放心使用它每次生成的方案。否则，我们可能需要反复跑好几次，才能挑选出一个满意的结果。
看看榜单上的其他选手，你就知道这第一名有多难拿了。微软的R&D-Agent用了GPT-5，综合得分35.11%，排名第四。第三名InternAgent基于DeepSeek-R1，来自上海人工智能实验室。一个创业公司Operand，整合了GPT-5、Gemini-2.5-Pro、Grok-4和Claude 4.1 Opus，才勉强挤进第二名，综合得分39.56%。
FM Agent有什么核心技术
有了技术报告，我们可以更清楚地回答这个问题：FM Agent不是“一个更大的模型”，而是一条会自己生长的研发流水线。它把“写代码—跑实验—看结果—再改进”的人类闭环，拆成两步：先站在经验上起跑（Cold-Start），再用进化把好想法放大（Evolve）。
起跑这一步，FM Agent构建了一个覆盖各个领域的专家小组，代码生成、数学推导、数据分析等不同角色同时给出方案，系统再把它们合并成一个“高多样性”的初始解空间。这里面的核心是，它把“老师傅的经验”提前装进去——通过检索增强或外部知识库，把行业里已经被证明有效的套路变成可调用的素材。这样冷启动就不是瞎猜，而是带着方向感上路。为了避免方向过于分散导致资源浪费，FM Agent在初始阶段就引入了质量过滤机制，用自动判分和小单元测试筛掉那些跑不通的点子。
有了能跑的起点，FM Agent接下来采用类似于进化的机制获得最佳结果。它把候选方案分到多个相互独立的“岛”上并行演化，隔一段时间再把各自的精英个体交换一下，既防止早熟，也不断打开新路径。了解强化学习的朋友都知道探索（exploration）和利用（exploitation）的概念。前者侧重于发现新事物，后者则是利用已知信息获取最大收益。两者都很重要，但重点在于两者之间的平衡。在FM Agent中，对探索和利用的选择并不是写死的开关，而是系统根据语义和结构的多样性实时调档：当路线太像时就鼓励走远一点，当出现好苗头时就加大投入。每个领域还有各自的“尺子”评判改动有没有价值：做机器学习，看的是效果与时延的综合；写GPU Kernel，直接拿算力和数值误差说话；数学问题，则用符号与数值双重校验，避免“看上去像对”。采用贴合于具体任务的进化策略，让FM Agent能在不同领域都游刃有余。
这一切落到工程上，需要一块很扎实的地基。报告里的系统把“生成方案”和“评测方案”的计算池物理解耦，采用异步调度、失败自动重试、资源空闲自动填充等技术，本质上是百度早已成熟的分布式任务编排经验。对用户来说，调用方式尽量保持简单。对系统而言，规模可以随任务自然伸缩，从几台机器到大规模集群，都不至于卡在队列里等资源。
很多人会关注Agent底层用的什么模型，但实际上，决定胜负的关键其实是有没有高效的工程架构。在我看来，百度不是突然爆发，而是积累多年的技术量变形成了质变。文心大模型、PaddlePaddle深度学习框架、AutoML与架构搜索（EasyDL、PaddleSlim/NAS）以及百度云承接的海量业务场景，都转化为了今天FM Agent的基础。此外，今年年中，百度在云智大会上发布的一些AI平台——千帆、百舸——也为FM Agent的诞生打下了坚实的基础。
对行业的意义
FM Agent在MLE-Bench上的表现，让我看到了AI Agent在专业领域的潜力。但更实际的问题是：这东西能给我们带来什么？
想象一下，你是个数据科学家，接到一个新需求。你只需要跟Agent描述问题、甩给它数据，它就能自动做数据探索和清洗、尝试各种模型和特征工程方案、并行训练多个模型比较效果、最后生成实验报告。你的角色从"码农"变成了"方向把控者"和"决策者"。这不是要替代ML工程师，而是让他们把时间花在更有价值的事情上。
对中小企业来说，现在要部署一个ML解决方案，往往得组建专业团队、投入大量资源。有了成熟的ML Agent，门槛会降低很多，更多行业能享受到AI的红利。
对研究者来说也一样。大量时间花在搭环境、调参这些重复劳动上，有个强大的ML Agent帮忙，能更快验证想法，把精力集中在真正的创新上。
写在最后
FM Agent这事儿挺有意思的：没有发布会，没有铺天盖地的宣传，甚至一开始提交榜单时都没说是谁做的。但它就这么用实力拿到了第一。
这种低调做事的风格，某种程度上也反映了国内AI企业的一种变化——从早期的追赶心态，到现在更自信、更务实的技术积累。
FM Agent这次登顶，就像一个信号。它告诉我们，在AI这场马拉松里，中国玩家已经不只是跟跑者，在需要深厚工程积累的Agent赛道上，我们同样具备了领跑的实力。这种不声张、用实力说话的自信，可能比榜单本身更值得我们关注。
当然，一个榜单第一不代表终点。AI Agent这个领域还在飞速发展，新模型、新架构、新评测方式层出不穷。FM Agent今天的优势，可能几个月后就被超越了。但这种竞争本身就是好事，它推动着全球的研究者和工程师不断探索边界。我们作为观察者和受益者，有幸见证这个时代的精彩。
参考资料