arXivは2026年10月20日(現地時間)、大規模言語モデル (LLM) を活用した科学的発見手法「Speculative Evolution (SpecEvo)」に関する論文を発表した。この手法は、従来の科学的発見プロセスにおける高コストと遅い探索速度という課題への解決策として提示されている。APIコストを最大80%削減しつつ、最先端モデルのベースラインと同等かそれ以上の性能を達成し、科学研究の効率化に貢献するとされる。
SpecEvoは、軽量モデルと最先端モデルを戦略的に連携させる、マルチLLMフレームワークとして設計されている。このフレームワークの中核を成すのは、並列動作する軽量モデル群「Speculators」である。Speculatorsは、多様な候補プログラムを効率的に生成し、それらを洗練させる役割を担う。同時に、もう一つの軽量モデル「Advisor」が機能する。Advisorは、Speculatorsが生成した候補の成功、失敗、あるいは探索の飽和といった結果を分析し、そこから得られる知見を蒸留する。この蒸留された情報は、その後の探索プロセスにおける重要な指針として活用され、より効果的な探索方向へと誘導する。
一方、フレームワークのもう一つの重要な要素である「Navigator」は、最先端の高性能モデルで構成される。Navigatorは、散発的なチェックポイントにおいて、進化中のプログラム集団の状態を注意深く検査する。探索が停滞していると判断された場合、Navigatorは合成、精密な調整、または再構成といった高度な介入を行う。この「投機と統合」という独自のワークフローにより、ルーチン的な探索や初期の証拠統合は低コストの軽量モデルに委任される。これにより、計算資源を効率的に利用し、大幅なコスト削減を実現する。一方で、最先端の推論能力を持つNavigatorは、その後の多くの低コスト評価にわたって恩恵をもたらすような、戦略的かつ影響力の大きい介入のために温存される。この分業体制が、SpecEvoの優れたコスト効率と性能を両立させる鍵となる。
この手法は、方程式発見、プログラム合成、化学反応設計といった、4つの異なる科学的およびアルゴリズム的発見ドメインにわたる広範な176のタスクで評価された。その結果、SpecEvoはAPIコストを最大80%削減しながら、最先端モデルのベースラインと同等か、場合によってはそれ以上の性能を示すことが確認された。さらに、特に方程式発見のタスクにおいては、コスト効率の良い既存のベースライン手法と比較して、最大1.5倍の評価効率を達成した。プログラム合成のベンチマークであるCO-Benchでは、既存の最も強力なベースラインを3.8%上回る改善を実現している。これらの評価結果は、異なる能力を持つモデルを段階的かつ戦略的に協調させる「軌道条件付きモデル協調」のアプローチが、コスト効率の高い科学的発見に対して極めて有効であることを明確に裏付けている。
参考: arXiv cs.AI (アーカイブ) — 2026年10月23日 13:00 (JST)