SpecEvo让大模型搞科研省80%成本，效率还提升1.5倍！
SpecEvo: Speculative Evolution with Large Language Models for Cost-Efficient Scientific Discovery
📖 AI 总结
该论文提出SpecEvo，一种面向科学发现的多LLM协作框架，旨在解决现有LLM驱动进化搜索成本高、速度慢的问题。其核心思路是将常规探索与证据整合交给轻量模型：由多个Speculator并行生成和优化候选程序，Advisor持续提炼成功、失败与饱和方向的搜索证据形成指导；仅在稀疏检查点由前沿模型担任Navigator，根据搜索停滞情况实施综合、精细修正或重构等战略性干预。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%，在方程发现上的评估效率提升至多1.5倍，并较最强CO-Bench基线提升3.8%。结果表明，按搜索轨迹条件协调不同规模模型，是实现低成本科学发现的有效路径。
🔑 关键词速览
| Speculative Evolution (SpecEvo) | 一种多LLM框架，通过协调轻量级和前沿模型，持续整合搜索证据，实现成本高效的科学发现。 |
| LLM-driven evolutionary search | 利用大语言模型驱动进化算法进行搜索，以发现科学问题的新解。 |
| Speculators | 由轻量级模型驱动的并行组件，负责生成和优化候选程序。 |
| Advisor | 轻量级模型组件，将积累的成功、失败和饱和方向提炼为持久指导。 |
| Navigator | 前沿模型组件，在稀疏检查点检查进化种群，并根据停滞情况执行合成、精准优化或重新构建等干预。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅