MetaLLMiX es un marco de optimización de hiperparámetros de cero disparos que combina metaaprendizaje, IA explicable e inferencia LLM eficiente. Para superar los desafíos de prueba y error y el alto costo de las API de los enfoques existentes basados en AutoML y LLM, aprovecha las explicaciones SHAP para recomendar hiperparámetros óptimos y modelos preentrenados con base en resultados experimentales previos sin ensayos adicionales. Los LLM se utilizan como criterios para controlar el formato, la precisión y la integridad de los resultados. En experimentos con ocho conjuntos de datos de imágenes médicas y nueve LLM ligeros de código abierto, logra un rendimiento competitivo o superior al de los métodos HPO existentes, a la vez que reduce significativamente los costos computacionales. Supera a los enfoques basados en API existentes, logrando resultados óptimos en cinco de ocho tareas, reduciendo los tiempos de respuesta entre un 99,6 % y un 99,9 % y alcanzando los tiempos de entrenamiento más rápidos (2,4-15,7x) en seis conjuntos de datos. La precisión se mantiene entre el 1 % y el 5 % con respecto al modelo de referencia de mejor rendimiento.
