La arquitectura de búsqueda neuronal (NAS) ha encontrado aplicaciones en varias áreas de visión por computadora, incluido el reconocimiento de imágenes y la detección de objetos. Un número creciente de algoritmos, como ENAS (Búsqueda de Arquitectura Neural Eficiente a través de Compartir Parámetros) y DARTS (Búsqueda de Arquitectura Diferenciable), se han aplicado a NAS. Sin embargo, los métodos actuales de NAS sin entrenamiento continúan mostrando falta de fiabilidad e ineficiencia. Este documento presenta un algoritmo basado en poda sin entrenamiento llamado TTNAS (Búsqueda de Arquitectura Neural sin Entrenamiento Verdadero-Habilidad), que utiliza un método bayesiano (algoritmo de verdadera habilidad) para combinar múltiples indicadores para evaluar redes neuronales en diferentes conjuntos de datos. El algoritmo muestra una precisión y eficiencia altamente competitivas en comparación con enfoques de vanguardia en varios conjuntos de datos. Específicamente, logra una precisión del 93,90% en CIFAR-10, una precisión del 71,91% en CIFAR-100 y una precisión del 44,96% en ImageNet 16-120, utilizando 1466 segundos de GPU en NAS-Bench-201. Además, el algoritmo muestra una mejor adaptación a otros conjuntos de datos y tareas.