精选理由
别浪费算力跑进化循环了——这篇论文实测发现多轮迭代没用，用一次采样加集合选择反而效果翻倍，还省了90%的调用成本。
论文审计了LLM作为进化引擎在科学方程发现中的效果，发现父代条件进化与独立采样无显著差异：中位OOD NMSE分别为0.045和0.049。新方法PTB-Search仅需一次LLM采样，通过集合级稀疏选择在717个测试中解决165-169个，而单术语方法仅74-78个。在239个问题的LLM-SRBench上，PTB-Search用Llama-3.1-8B达到73.2% Acc0.1，用DeepSeek-V4达到77.0%，是最好基线（49.2%）的1.5倍以上，且调用预算仅十分之一。
AI 翻译 · 中文
论文审计了LLM作为进化引擎在科学方程发现中的效果，发现父代条件进化与独立采样无显著差异：中位OOD NMSE分别为0.045和0.049。新方法PTB-Search仅需一次LLM采样，通过集合级稀疏选择在717个测试中解决165-169个，而单术语方法仅74-78个。在239个问题的LLM-SRBench上，PTB-Search用Llama-3.1-8B达到73.2% Acc0.1，用DeepSeek-V4达到77.0%，是最好基线（49.2%）的1.5倍以上，且调用预算仅十分之一。
Large language models are increasingly used as evolutionary engines for scientific discovery: generate candidates, select winners, feed them back as parents, and repeat. We audit whether this loop actually compounds disc…