Este artículo persigue la idea de que los modelos de lenguaje grandes (LLM) entrenados para generar código pueden mejorar enormemente la eficacia de los operadores de mutación aplicados a programas de programación genética (GP). Debido a que dichos LLM se benefician de datos de capacitación que incluyen cambios y modificaciones secuenciales, pueden aproximarse a los cambios probables que harían los humanos. Para resaltar la amplitud de las implicaciones de dicha evolución a través de modelos grandes (ELM), en el experimento principal, ELM combinado con MAP-Elites genera cientos de miles de ejemplos funcionales de programas Python que generan robots ambulantes en funcionamiento en el dominio Sodarace, que el LLM original Nunca lo había visto en el pre-entrenamiento. Luego, estos ejemplos ayudan a iniciar el entrenamiento de un nuevo modelo de lenguaje condicional que puede generar el caminante adecuado para un terreno en particular. La capacidad de iniciar nuevos modelos que puedan generar artefactos apropiados para un contexto determinado en un dominio donde anteriormente no había datos de entrenamiento disponibles tiene implicaciones para la apertura, el aprendizaje profundo y el aprendizaje por refuerzo. Estas implicaciones se exploran aquí en profundidad con la esperanza de inspirar nuevas direcciones de investigación que ahora abre ELM.
