---
format: "aidr-story-markdown/v1"
id: "071ab93645637197f5569a5c9478c6c8afa5b1691c9e5f78d13fcb2963264902"
canonical_url: "https://aidr.today/071ab936?lang=vi"
title: "SpecEvo: Tiến triển dự báo với các mô hình ngôn ngữ lớn để khám phá khoa học tiết kiệm chi phí"
lang: "vi"
requested_lang: "vi"
available_langs: ["en","vi"]
translation_fallback: null
fallback_fields: []
published_at: "2026-10-22T04:00:00.000Z"
category: "Research"
topics: ["llm"]
source_urls: ["https://arxiv.org/abs/2610.28706","https://arxiv.org/abs/2610.30162"]
summary: "Tìm kiếm tiến triển do LLM thúc đẩy là một phương pháp hứa hẹn cho khám phá khoa học, nhưng các phương pháp hiện tại vẫn tốn kém và chậm, thường áp dụng suy luận đắt đỏ đồng đều trong khi sử dụng chưa tối đa bằng chứng từ các thử nghiệm thất bại, dư thừa và bão hòa. Chúng tôi giới thiệu Speculative Evolution (SpecEvo), một khung truyền thống đa LLM điều phối các mô hình nhẹ và frontier model thông qua sự tổng hợp liên tục của bằng chứng tìm kiếm. Các mô hình nhẹ cung cấp nguồn lực cho cả các Speculator song song, tạo và tinh chỉnh các chương trình ứng cử, cũng như một Advisor, rút gọn những thành công, thất bại và hướng đi bão hòa đã tích lũy thành hướng dẫn bền vững cho sự khám phá sau này. Tại các điểm kiểm tra thưa thớt, một frontier model Navigator kiểm tra dân số đang phát triển và can thiệp thông qua sự sinh ra, tinh chỉnh chính xác hoặc đặt lại lại theo sự bão hòa của tìm kiếm. Quy trình đề xuất rồi tổng hợp này giao phần khám phá thường xuyên và tổng hợp bằng chứng cho các mô hình rẻ tiền, trong khi dành suy luận frontier cho các can thiệp chiến lược, lợi ích của chúng lan tỏa đến nhiều đánh giá rẻ tiền sau này."
---

# SpecEvo: Tiến triển dự báo với các mô hình ngôn ngữ lớn để khám phá khoa học tiết kiệm chi phí

> [Open the canonical story](<https://aidr.today/071ab936?lang=vi>)

**Published:** 2026-10-22T04:00:00.000Z
**Category:** Research
**Topics:** llm

## Summary

Tìm kiếm tiến triển do LLM thúc đẩy là một phương pháp hứa hẹn cho khám phá khoa học, nhưng các phương pháp hiện tại vẫn tốn kém và chậm, thường áp dụng suy luận đắt đỏ đồng đều trong khi sử dụng chưa tối đa bằng chứng từ các thử nghiệm thất bại, dư thừa và bão hòa\. Chúng tôi giới thiệu Speculative Evolution \(SpecEvo\), một khung truyền thống đa LLM điều phối các mô hình nhẹ và frontier model thông qua sự tổng hợp liên tục của bằng chứng tìm kiếm\. Các mô hình nhẹ cung cấp nguồn lực cho cả các Speculator song song, tạo và tinh chỉnh các chương trình ứng cử, cũng như một Advisor, rút gọn những thành công, thất bại và hướng đi bão hòa đã tích lũy thành hướng dẫn bền vững cho sự khám phá sau này\. Tại các điểm kiểm tra thưa thớt, một frontier model Navigator kiểm tra dân số đang phát triển và can thiệp thông qua sự sinh ra, tinh chỉnh chính xác hoặc đặt lại lại theo sự bão hòa của tìm kiếm\. Quy trình đề xuất rồi tổng hợp này giao phần khám phá thường xuyên và tổng hợp bằng chứng cho các mô hình rẻ tiền, trong khi dành suy luận frontier cho các can thiệp chiến lược, lợi ích của chúng lan tỏa đến nhiều đánh giá rẻ tiền sau này\.

## Sources

- [Story source](<https://arxiv.org/abs/2610.28706>)
- [Story source](<https://arxiv.org/abs/2610.30162>)