Zespół badawczy opracował SpecEvo - framework koordynujący wiele modeli językowomych do efektywnego wyszukiwania rozwiązań naukowych z minimalnym kosztem. System działa na zasadzie spekulacji i konsolidacji: tanie modele pełnią rolę równoległych Spekulatorów generujących i ulepszających kandydatów, oraz Advisora, który zbiera wiedzę z sukcesów i porażek wcześniejszych prób. Zaawansowany model pełni funkcję Nawigatora, pojawia się rzadko by zbadać populację rozwiązań i interweniuje strategicznie poprzez syntezę, chirurgiczne ulepszenia lub zmianę perspektywy gdy eksploracja się zatrzymuje.
Walnym problemem dotychczasowych podejść opartych na modelach językowomych było marnowanie pieniędzy na drogie obliczenia dla wszystkich etapów poszukiwań, również dla zadań rutynowych i eksperymentów, które kończyły się porażką. SpecEvo rozwiązuje ten problem delegując rutynową pracę tanszym modelom i zachowując potencjał frontierowych modeli na momenty, które naprawdę liczą się dla dalszej eksploracji.
Wyniki na 176 zadaniach obejmujących odkrywanie równań, generowanie algorytmów i inne domeny naukowe wykazały, że SpecEvo osiąga parity z metodami używającymi samych zaawansowanych modeli przy zmniejszeniu kosztów API o nawet 80 procent. System był też 1.5 raza bardziej efektywny pod względem liczby ocen niż tańsze baseline'i specjalizujące się w odkrywaniu równań. Te rezultaty sugerują, że inteligentny podział pracy między modele różnych mocy obliczeniowych może być kluczem do skalowania AI-wspomaganego odkrywania naukowego bez dodatkowych wydatków.