SpecEvo：用多LLM协同实现低成本科学发现

多LLM分工协作可在科学发现任务中大幅降低API成本。

资讯摘要

论文提出 Speculative Evolution（SpecEvo），一个多 LLM 框架：轻量模型承担并行 Speculator 生成与改进候选程序，并由 Advisor 把成功、失败与饱和方向整理成持续指导；前沿模型仅在稀疏检查点作为 Navigator，根据搜索停滞情况做综合、精修或重构。作者报告在 176 个任务上匹配或超过前沿模型基线，API 成本最多降低 80%。

要点速读

1. 框架以“先推测、再整合”流程协调轻量与前沿模型，把常规探索和证据整理交给低成本模型。
2. 前沿模型 Navigator 仅在稀疏检查点介入，按停滞情况选择综合、精修或重构。
3. 作者报告在四个科学/算法发现领域的 176 个任务上匹配或超过前沿模型基线，API 成本最多降 80%，方程发现评测效率最高提升 1.5 倍，较最强 CO-Bench 基线提升 3.8%。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/23 08:00:11（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。