我们能在机器学习代理执行前进行预测吗？

自主机器学习代理已彻底改变了科学发现，但它们仍受限于生成-执行-反馈范式。现有方法因依赖昂贵的物理执行而面临严重执行瓶颈。为克服这些限制，本文借鉴世界模型的思想，将执行先验内化，以即时预测推理替代高成本的运行时检查。本文形式化了数据为中心的解决方案偏好任务，并构建了一个包含18,438对比较的综合语料库。实验表明，在使用经过验证的数据分析报告进行引导后，LLM展现出显著的预测能力，准确率达到61.5%，并具有稳健的置信度校准。最后，本文在FOREAGENT代理中实现了这一框架，采用预测-验证循环，收敛速度提升6倍，且优于基于执行的基线方法6%。