arXiv cs.AI· Ha Minh Hieu, Tongyao Zhu, Do Xuan Long, Min-Yen Kan·· 12 小时前AI 评分31
SpecEvo：用大语言模型做推测式进化，实现低成本科学发现
SpecEvo: Speculative Evolution with Large Language Models for Cost-Efficient Scientific Discovery
AI 导读
SpecEvo 是一个多 LLM 框架，通过轻量模型承担并行 Speculator 与 Advisor、前沿模型在稀疏检查点担任 Navigator，将常规探索交给廉价模型、把前沿推理留给战略性干预。
正文 · AI 翻译
摘要：LLM 驱动的进化搜索是一种有望用于科学发现的范式，但现有方法成本高、速度慢，往往统一施加昂贵的推理，却未能充分利用失败、冗余和饱和试验中的证据。我们提出推测进化（SpecEvo），这是一个多 LLM 框架，通过持续整合搜索证据来协调轻量级模型与前沿模型。轻量级模型既驱动并行的推测器（Speculator）生成并改进候选程序，也驱动一个顾问（Advisor），将积累的成功、失败和饱和方向提炼为对后续探索的持久指导。在稀疏检查点上，前沿模型导航器（Navigator）检查不断演化的种群，并根据搜索停滞情况通过综合、精准改进或重新表述进行干预。这种“先推测、后整合”的工作流将常规探索和证据整合交给低成本模型，同时把前沿推理保留给战略性干预，其收益可延续到后续许多低成本评估中。在涵盖四个科学与算法发现领域的 176 项任务中，SpecEvo 达到或超过前沿模型基线，同时将 API 成本降低最多 80%，在方程发现上相比成本高效基线实现最高 1.5 倍的评估效率，并比最强的 CO-Bench 基线提升 3.8%。这些结果支持将轨迹条件化的模型协调作为实现成本高效科学发现的有效方法。
| 评论： | 43 页 |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.28706 [cs.AI] |
| （或 arXiv:2610.28706v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.28706 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Ha Minh Hieu [查看邮箱]
[v1]
2026年10月20日星期二 15:40:05 UTC（928 KB）
来源：arXiv cs.AI · arxiv.org