深度分析
FairMind：結合因果公平模型與大型語言模型的 AutoML 公平性自動分析工具
自動機器學習（AutoML）正推廣AI應用，但多數框架忽視資料公平性。研究推出FairMind軟體原型，結合因果公平模型與大型語言模型（LLM）自動產出公平性報告，示範零樣本設定下可即時辨識與說明資料偏差，提升非專家使用AutoML的可解釋性。
AutoML
深度分析
Lego：以 LLM 為核心的前端晶片設計技能平台
晶片前端自動化複雜且步驟繁多，Lego 將流程拆成六個步驟並以可插拔的電路技能標準化每項能力。團隊從多個開源專案萃取四十二項執行技能，並用自動化工具與輕量檢索加速重用。實驗在 41 個困難 RTL 任務上，模組化技能將單次成功率提升到 0.805，展現模組組合對實務自動化的價值。
深度分析
KompeteAI：以檢索增強生成（RAG）與合併運算子加速的多代理 AutoML 平台
近年以大型語言模型驅動的AutoML受探索與執行瓶頸限制。KompeteAI透過動態RAG、加入與合併運算子擴展假設空間，並用預測評分與快速偵錯縮短驗證時程。實驗顯示平均提升約3%並把評估速度加快6.9倍，同步提出10.2GB的Kompete-bench。
深度分析
Camyla：全自動醫學影像分割研究平台的技術突破與實驗驗證
醫學影像分割研究自動化需求日增，Camyla 以品質加權分支探索、分層反射記憶與多元診斷回饋三機制，自動產出研究提案、實驗與手稿。於 31 個資料集的零介入測試中，Camyla 生成 2,700 多模型並在多數基線上取得領先表現，顯示全自動醫學影像分割研究具可行性。