论文提出Large Discovery Model（LDM）：LLM生成和改造候选，高斯过程代理模型根据真实实验预测收益与不确定性，为下一轮搜索导航。
它先批量生成候选，再用acquisition function（采集函数）兼顾潜力与信息量，只挑少量实测；结果随即写回记忆和代理模型。遇到平台期，系统会重塑搜索空间，寻找新机制、新序列或新分子骨架。
实验覆盖训练程序、抗体CDRH3序列和多目标分子优化。相比LLM反思基线，验证BPB降幅约为2.4倍；抗体经200次评估后平均结合能低18.2%；分子超体积较LLM基线提升62.4%。
实战启发是把生成与价值判断拆开，评估越贵越要建模不确定性。可以尝试用于训练配置搜索或湿实验筛选，但效果取决于代理和评估质量。做AI for Science的同学值得细读。
📚论文地址：https://arxiv.org/pdf/2608.15669
🧑💻代码地址：https://github.com/yzailab/Large-Discovery-Models
#人工智能就业 #AI #大模型#论文 #科研
