深度分析
GPT-5 驅動自動化神經架構搜尋，跨語言手寫辨識準確率達 98.1%
手寫文字辨識因語言筆畫差異而困難重重。本研究讓 GPT-5、GPT-4o 與 Claude Sonnet 4 扮演神經架構設計師，透過閉環回饋自動生成並優化模型。在阿拉伯語、英語、波斯語上，平均準確率超過 93%，最佳達 98.1%，推論時間約 41 毫秒，驗證了 LLM 驅動自動機器學習的可行性。
深度分析
手寫文字辨識因語言筆畫差異而困難重重。本研究讓 GPT-5、GPT-4o 與 Claude Sonnet 4 扮演神經架構設計師，透過閉環回饋自動生成並優化模型。在阿拉伯語、英語、波斯語上，平均準確率超過 93%，最佳達 98.1%，推論時間約 41 毫秒，驗證了 LLM 驅動自動機器學習的可行性。
LyMPuS
研究背景：傳統代理模型多為線性近似，難以處理非線性問題。核心技術：LyMPuS 以低成本遞迴連結發現，保證在2⌈log₂(n)⌉步內找出缺失依賴，且無需預先建模。結果與影響：可即時比較單變數差異解，降低局部搜尋成本，提升優化效率。