贝叶斯引导的开放域分子/蛋白搜索

这个工作的关键突破在于用贝叶斯非参数方法替代了LLM自带的不可靠置信度，解决了生成模型在分布外候选上"盲目自信"的老问题。之前做分子发现的主流是GA+D+结合GP-UCB或者进化算法，样本效率低；纯LLM方法如ProGen虽然生成能力强但缺乏系统性的探索机制。这篇论文把两者拧在了一起，reward surrogate用BNP可以自动适应假设空间的复杂度，不需要预设核函数。论文提到覆盖了分子、蛋白、程序三个域，但没看到开源代码和具体的实验预算数字，这是落地前最需要确认的两件事。如果你在做湿实验预算有限的药物发现团队，建议等代码释放后优先在分子性质预测任务上复现，对比下和TDC benchmark上现有方法的样本效率差距。