实验

基于昂贵的黑盒实验评估，LDM在开放式空间中不断迭代和改进实验设计。

实验：通过Test-timesearch（TTS）选择高实验价值的候选，用于代价昂贵的实验评估

但在科学研究场景下，实验反馈对应的真实奖励来源于机理复杂且尚未探明的高成本实验，同时设计或假设空间往往规模庞大，甚至具备开放性。

快环解决单个任务中对于实验反馈的持续、快速适应，慢环则负责把“基于经验提出新设计”的元能力固化到模型参数中。

纯大语言模型拥有丰富的结构先验，可以编写代码、生成蛋白序列与SMILES表达式，但往往会将语言流畅度、生成似然度视作方案质量的评判标准，无法基于实验反馈校准自身的生成分布与不确定性；

更新：新结果写回数据与上下文，用于下一轮的实验决策

即便某个候选方案当前预测均值并不高，只要它能够打开全新搜索区域、或是为后续搜索提供新信息，就依然具备优先开展实验的价值。

慢闭环学习的不是静态高分答案，而是潜在的实验价值。

筛选：GP奖励模型基于真实观测构建采集函数，使基础分布向具有高实验价值的方向倾斜。

高斯过程则在该搜索空间内，基于实验历史构建贝叶斯奖励信号，评估各个候选方案用于下一轮实验的价值。