Large Discovery Models: búsqueda abierta guiada por modelos y fundamentada empíricamente | Modelos que descubren soluciones nuevas mediante búsqueda abierta end-to-end basada en un modelo del entorno | Marco para agentes de descubrimiento científico que combinan model-based learning y exploración autónoma

Abstract

PROBLEMA: los enfoques de búsqueda abierta (open-ended search) para descubrimiento científico y de algoritmos suelen carecer de una fundamentación empírica sólida y dependen de heurísticas manuales, lo que limita su capacidad de explorar sistemáticamente nuevos artefactos. SOLUCIÓN: propone Large Discovery Models, una familia de modelos de descubrimiento basados en búsqueda abierta guiada por un modelo interno, construidos sobre evidencia empírica rigurosa. METODOLOGÍA: combina aprendizaje basado en modelos (model-based) con búsqueda abierta end-to-end, donde un modelo del entorno guía la exploración y la selección de nuevas candidaturas, permitiendo un descubrimiento continuo y autónomo de soluciones. RESULTADOS: demuestra mejoras sobre baselines en tareas de búsqueda abierta, logrando hallazgos nuevos y de mayor calidad en los dominios evaluados, con una fundamentación empírica que aumenta la reproducibilidad. RELEVANCIA: aporta un marco general aplicable a modelos de mundo y agentes de descubrimiento (por ejemplo, en química, diseño de algoritmos o robótica), integrando predicción de entorno y exploración autónoma en un solo sistema.