大型发现模型：基于实证的模型化开放式搜索
TLDR
提出大型发现模型，将生成模型与贝叶斯代理结合用于开放式搜索，在神经网络、抗体和分子设计上取得提升。
评分理由
The paper presents a novel architecture with strong empirical results across multiple scientific domains, which is a key strength. However, the abstract is truncated and lacks details on baselines and limitations, making full assessment difficult.
Read-first 评分解释
综合优先阅读分 60.5，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。 原始总分保留为 64。
研究版图角色
前沿论文方法锚点
排序敏感性
稳定性：volatile；排名波动范围：34。
关键词评分
深度分析
创新点
- 将生成模型与贝叶斯非参数奖励代理相结合，为候选指导提供不确定性感知的价值
- 基于实证的循环架构，利用代理模型的不确定性量化来改进候选
- 随着每个新实验观测持续更新发现记忆和代理模型
方法
LDM将生成模型（如LLM）用于提出和改进候选设计，并与预测性能、量化不确定性的贝叶斯非参数代理模型相结合。代理模型的不确定性感知价值指导候选生成、改进和选择；随着新观测到达，发现记忆和代理模型持续更新。研究在神经网络训练、抗体设计和分子优化三个任务上，与仅使用LLM反思和传统统计搜索进行了对比评估。
关键结果
与基线相比，LDM在验证BPB上实现了2.4倍的更大降幅，结合能相对降低18.2%，分子多目标性能相对提升超过60%。