我们提出了一个完全自动化的闭环AutoML框架，利用GPT-5、GPT-4o和Claude Sonnet 4作为跨语言手写光学字符识别的自主神经架构设计者。每个大语言模型独立生成、训练、评估并迭代优化神经网络架构，使用来自先前试验的性能反馈。
该框架在阿拉伯语、波斯语和英语手写数据集上进行了270个独立实验评估。结果显示，它能够一致地发现准确且计算高效的模型，而无需手动架构设计、特定领域预处理或超参数调优。
生成的模型在测试集上的平均准确率超过93%，最佳准确率达到98.1%，推理延迟在41到44毫秒之间。这些结果表明，大型语言模型可以作为有效的AutoML代理，用于神经架构搜索，实现在不同语言间可扩展、脚本自适应和可重复的手写识别。
博主点评： 本文展示了大型语言模型在自动化机器学习领域的潜力，尤其是在跨语言手写识别中的应用。通过闭环设计，模型不仅提高了准确率，还实现了高效的计算性能，标志着神经架构搜索的重大进步。未来，随着技术的发展，LLM可能会进一步推动更多复杂任务的自动化处理。