Desde hace un tiempo, los grandes modelos de lenguaje no solo escriben textos: también se usan para buscar soluciones a problemas científicos y algorítmicos. La idea es parecida a la evolución biológica. El modelo propone muchos programas candidatos, se ponen a prueba, los mejores se conservan y se van modificando, ronda tras ronda, hasta dar con algo que funcione mejor. Funciona, pero cuesta mucho dinero. Cada propuesta es una llamada a un modelo potente, y cuando hacen falta miles de intentos la factura de la API crece muy deprisa.

Un trabajo publicado en arXiv el 20 de octubre de 2026 por Ha Minh Hieu, Tongyao Zhu, Do Xuan Long y Min-Yen Kan propone otra forma de repartir ese trabajo. Lo llaman Speculative Evolution, o SpecEvo, y su punto de partida es sencillo: no todos los pasos de una búsqueda necesitan al modelo más listo (y más caro) del mercado.

Cómo funciona por dentro

Según los autores, los métodos actuales tienen dos problemas. Por un lado, aplican el razonamiento caro a todos los pasos por igual. Por otro, aprovechan poco lo que enseñan los intentos fallidos, los repetidos y las líneas de trabajo que ya no dan más de sí. SpecEvo intenta corregir las dos cosas con un reparto de papeles entre varios modelos:

• Los Especuladores. Son modelos ligeros que trabajan en paralelo. Generan programas candidatos y los van puliendo. Son la mano de obra de la búsqueda.
• El Consejero. También es un modelo ligero. Recoge lo que se ha ido acumulando (qué ha funcionado, qué ha fallado y qué direcciones están agotadas) y lo resume en indicaciones que se quedan guardadas para las rondas siguientes. Así no se pierde la memoria de lo aprendido.
• El Navegante. Este sí es un modelo de primer nivel, pero solo entra en acción en puntos de control espaciados. Revisa cómo va la población de soluciones y, si la búsqueda se ha estancado, interviene. Puede combinar ideas de varias soluciones, hacer un retoque muy concreto o replantear el enfoque del problema.

Los autores describen este esquema como «especular y luego consolidar». La exploración rutinaria y la tarea de ordenar lo aprendido quedan en manos de modelos baratos. El razonamiento caro se guarda para decisiones estratégicas cuyo efecto se nota en muchas evaluaciones posteriores, que ya son de bajo coste.

Qué dicen los resultados

El equipo probó SpecEvo en 176 tareas de cuatro dominios de descubrimiento científico y algorítmico. Estas son las cifras que da el resumen del artículo:

• Iguala o supera a los sistemas de referencia que usan solo modelos de primer nivel y reduce el coste de API hasta un 80 %.
• En descubrimiento de ecuaciones, es hasta 1,5 veces más eficiente en evaluaciones que otros métodos pensados para ahorrar.
• En el banco de pruebas CO-Bench mejora en un 3,8 % a la mejor alternativa disponible.

Los autores concluyen que coordinar modelos según cómo va la búsqueda (lo que llaman coordinación condicionada por la trayectoria) es un camino eficaz para hacer descubrimiento científico con menos gasto.

La letra pequeña

Conviene leer estas cifras con calma. La primera razón es que se trata de un preprint: el artículo está en arXiv y todavía no ha pasado una revisión por pares. La segunda es que ese «hasta un 80 %» es un máximo y no una media. El ahorro real depende de la tarea, de qué modelos se combinen y de cuánto cueste cada uno en cada momento. Y que SpecEvo «iguale o supere» a los métodos de referencia también significa que en algunos casos solo empata. Lo que gana ahí es abaratar el proceso, no necesariamente encontrar mejores soluciones.

Hay otro matiz. Estos sistemas generan y evalúan programas, así que su utilidad depende de que exista una forma automática de medir si una solución es buena. Eso encaja con problemas de optimización o de ajuste de ecuaciones. En campos donde comprobar una idea exige un experimento de laboratorio, la cosa no es tan directa. El artículo completo, de 43 páginas, recoge los detalles experimentales para quien quiera profundizar.

Por qué importa

El coste es una de las grandes barreras para usar IA en investigación. Si una búsqueda automática necesita miles de llamadas a un modelo puntero, solo pueden permitírsela laboratorios o empresas con mucho presupuesto. La propuesta de SpecEvo, con modelos modestos que exploran y un modelo potente que solo corrige el rumbo, se parece a cómo funciona un buen equipo humano: mucha gente probando cosas y alguien con experiencia que revisa de vez en cuando hacia dónde se va. Si estos resultados se confirman con revisión independiente, esta forma de repartir el trabajo podría poner estas herramientas al alcance de grupos más pequeños y hacer que cada euro gastado en cálculo rinda más.