该指标聚焦于模型高置信度的误判情况 —— 这类误判在进化神经架构搜索中具有显著风险，可能引导进化过程向劣质架构区域发展。图 7 展示了四种实验配置下的失败率分布，即。

把多模态 / 多源输入（传感器、时序、图像、文本）的 RL 状态编码，形式化为。

论文标题：InTrain: Intrinsic Trainability for Zero-Cost Neural Architecture Search论文作者：Qinqin Zhou Fuhai Chen Jipeng Wu Zhiwei Chen Zhikai Hu Weiwei Cai发表单位：2026Conference on Computer Vision and Pattern Re

神经架构的搜索空间过于庞大，导致 NAS 算法效率低下。本文提出一种新型架构搜索算法 GPT-NAS，将生成预训练（GPT）模型与进化算法（EA）作为搜索策略相结合，实现神经架构的优化。GPT-NAS 假设，在大规模语料库上预训练的生成模型能够学习到构建神经架构的基本规律，因此先利用 GPT 模型基于基础架构组件生成合理的架构单元（大幅缩减了搜索空间），再通过进化算法搜索最优解。成效：大量实验结果

把多模态 / 多源输入（传感器、时序、图像、文本）的 RL 状态编码，形式化为。

该指标聚焦于模型高置信度的误判情况 —— 这类误判在进化神经架构搜索中具有显著风险，可能引导进化过程向劣质架构区域发展。图 7 展示了四种实验配置下的失败率分布，即。