MARS : Agent Modulaire avec Recherche Réflexive pour la Recherche en IA Automatisée
MARS: Modular Agent with Reflective Search for Automated AI Research
February 2, 2026
papers.authors: Jiefeng Chen, Bhavana Dalvi Mishra, Jaehyun Nam, Rui Meng, Tomas Pfister, Jinsung Yoon
cs.AI
papers.abstract
L'automatisation de la recherche en IA se distingue de l'ingénierie logicielle générale par une évaluation informatiquement coûteuse (par exemple, l'entraînement des modèles) et une attribution de performance opaque. Les agents actuels basés sur les LLM peinent dans ce contexte, générant souvent des scripts monolithiques qui ignorent les coûts d'exécution et les facteurs causaux. Nous présentons MARS (Modular Agent with Reflective Search), un cadre optimisé pour la recherche en IA autonome. MARS repose sur trois piliers : (1) une Planification Sensible au Budget via une recherche arborescente Monte Carlo (MCTS) sous contrainte de coût pour équilibrer explicitement performance et dépense d'exécution ; (2) une Construction Modulaire, employant un pipeline "Concevoir-Décomposer-Implémenter" pour gérer des référentiels de recherche complexes ; et (3) une Mémoire Réflexive Comparative, qui aborde l'attribution de crédit en analysant les différences entre les solutions pour distiller des insights à fort signal. MARS obtient des performances à l'état de l'art parmi les cadres open-source sur MLE-Bench dans des conditions comparables, restant compétitif avec les meilleures méthodes du classement général. De plus, le système présente qualitativement des moments "Eurêka !", où 63 % de toutes les leçons utilisées proviennent d'un transfert trans-branche, démontrant que l'agent généralise efficacement les insights à travers les chemins de recherche.
English
Automating AI research differs from general software engineering due to computationally expensive evaluation (e.g., model training) and opaque performance attribution. Current LLM-based agents struggle here, often generating monolithic scripts that ignore execution costs and causal factors. We introduce MARS (Modular Agent with Reflective Search), a framework optimized for autonomous AI research. MARS relies on three pillars: (1) Budget-Aware Planning via cost-constrained Monte Carlo Tree Search (MCTS) to explicitly balance performance with execution expense; (2) Modular Construction, employing a "Design-Decompose-Implement" pipeline to manage complex research repositories; and (3) Comparative Reflective Memory, which addresses credit assignment by analyzing solution differences to distill high-signal insights. MARS achieves state-of-the-art performance among open-source frameworks on MLE-Bench under comparable settings, maintaining competitiveness with the global leaderboard's top methods. Furthermore, the system exhibits qualitative "Aha!" moments, where 63% of all utilized lessons originate from cross-branch transfer, demonstrating that the agent effectively generalizes insights across search paths.