近日，英伟达推出NVIDIA FLARE框架全新示例Auto-FL，旨在通过AI代理自动化联邦学习研究流程，破解传统算法迭代中对比困难、算力浪费与可复现性差等难题。Auto-FL采用受控代理与固定基准机制，研究者只需设定明确的研究控制平面、训练预算与算法修改边界，AI代理即可在结构化工作流中自主探索聚合规则、优化器配置及模型架构等候选策略。每次实验结果均实时记录于实验账本，确保跨轮次指标具备严格可比性。 针对搜索瓶颈，Auto-FL内置文献驱动的回溯恢复机制。当性能指标趋于平缓时，系统将自动切换至文献检索与方案评估循环，筛选高价值且符合协议约束的新思路重新投入实验。实验周期结束后，自动生成的进度图表与详细报告将完整呈现基线表现、增益幅度、失败路径及下一步建议，实现从自动化试错到人工决策的高效衔接。 该框架具备高度可移植性。除默认CIFAR-10图像任务外，团队已在医疗视觉语言模型的多中心联邦训练场景中完成验证。实验表明，Auto-FL在分布外数据节点上取得显著性能提升，有效克服了联邦环境下的数据异构挑战。Auto-FL并非替代人类研究者的黑盒工具，而是通过严格的协议边界、可追踪的实验记录与标准化的任务配置，将重复性调试转化为受控的科研工作流，助力学界更快提出并验证高质量的联邦学习问题。