SpecEvo usa coordinación multi-LLM para reducir los costes de API en el descubrimiento científico hasta un 80%
Un nuevo marco permite que modelos ligeros hagan el trabajo pesado en la búsqueda evolutiva, mientras reserva el razonamiento de los modelos de vanguardia para intervenciones estratégicas.
Modelos más baratos, coordinación más inteligente
Investigadores entre los que se encuentran Ha Minh Hieu, Tongyao Zhu, Do Xuan Long y Min-Yen Kan han presentado un marco llamado SpecEvo que reduce drásticamente el coste de ejecutar descubrimiento científico impulsado por modelos de lenguaje grandes. En un artículo cargado en arXiv el 20 de octubre de 2026, los autores sostienen que los enfoques actuales de búsqueda evolutiva alimentados por modelos de lenguaje grandes siguen siendo costosos y lentos, porque tienden a aplicar razonamiento costoso por igual en todos los pasos sin hacer un uso completo de las pistas recogidas de intentos fallidos, repetitivos y agotados 1.
SpecEvo, en cambio, divide el trabajo. Los modelos ligeros generan y refinan programas candidatos en paralelo, mientras un asesor ligero separado sintetiza continuamente evidencias a partir de éxitos, fracasos y direcciones de búsqueda saturadas para ofrecer orientación en rondas posteriores 1.
Los modelos de vanguardia intervienen solo cuando es necesario
En puntos de control poco frecuentes, un navegador de modelo de vanguardia examina la población en desarrollo y tiene la opción de intervenir con síntesis, refinamiento dirigido o reformulación siempre que el proceso de búsqueda se estanque 1. Este flujo de trabajo de especular y luego consolidar delega la exploración rutinaria a modelos económicos y reserva el razonamiento de vanguardia para movimientos estratégicos de alto impacto cuyos beneficios se propagan en muchas evaluaciones posteriores de bajo coste .
Resultados sólidos en tareas diversas de descubrimiento
Los autores evaluaron SpecEvo en 176 tareas que abarcan cuatro dominios de descubrimiento científico y algorítmico 1. A través de estas evaluaciones, el marco igualó o superó a los baselines de modelo de vanguardia mientras reducía el coste de API hasta un 80% . En descubrimiento de ecuaciones específicamente, SpecEvo logró hasta 1,5 veces mayor eficiencia de evaluación que los baselines existentes eficientes en coste . También mejoró sobre el baseline más fuerte de CO-Bench en un 3,8% .
Por qué importa esto para los flujos de trabajo científicos
El artículo apoya la coordinación de modelos condicionada por trayectoria como un camino práctico hacia el descubrimiento científico eficiente en coste. Al tratar los intentos fallidos, redundantes y saturados como evidencia en lugar de desperdicio, SpecEvo muestra que no todos los pasos en una búsqueda evolutiva necesitan razonamiento a nivel de vanguardia 1. El enfoque podría hacer que el descubrimiento impulsado por LLM sea más accesible para investigadores y equipos limitados por los costes de API.
La investigación se envió a arXiv bajo la materia cs.AI y está disponible como preimpresión de 43 páginas 1.
Los datos clave
- SpecEvo reduce el coste de API hasta un 80% frente a baselines de modelo de vanguardia
- Logra hasta 1,5 veces mayor eficiencia de evaluación en tareas de descubrimiento de ecuaciones
- Mejoró sobre el baseline más fuerte de CO-Bench en un 3,8%
- Probado en 176 tareas que abarcan cuatro dominios de descubrimiento científico y algorítmico