SpecEvo：用大语言模型做推测式进化，实现低成本科学发现
事件
大语言模型驱动的进化式搜索被视为科学发现的一条有前景的路径，但现有方法成本高、速度慢：它们往往对所有环节统一使用昂贵的推理，同时浪费了失败、冗余和已饱和试验中积累的证据。为此，研究者提出推测式进化框架 SpecEvo，通过持续整合搜索证据，让轻量模型与前沿模型分工协作。
具体而言，轻量模型承担两类角色：一是并行运行的“推测者”，负责生成和优化候选程序；二是“顾问”，把积累的成功、失败以及已饱和方向提炼成持续可用的指导信息。在稀疏的检查点上，前沿模型作为“导航者”审视不断演化的候选群体，并根据搜索停滞情况选择合成、精细修改或重新定义问题等方式介入。这种“先推测、再整合”的流程把常规探索和证据整理交给低成本模型，只把前沿推理留给能惠及后续大量低成本评估的战略性干预。
在覆盖四个科学与算法发现领域的176项任务上，SpecEvo 达到或超过前沿模型基线，API成本最多降低80%；在方程发现任务上，其评估效率比低成本基线最高提升1.5倍，并比最强的 CO-Bench 基线高出3.8%。这表明按搜索轨迹动态协调不同模型，是实现低成本科学发现的有效途径。
来源
本条目由采集管线自动抓取并发布，完整内容见下方来源链接。
*采集源：arXiv cs.AI*