В статье исследуется возможность сокращения разрыва между большими языковыми моделями (LLM) и специализированными моделями для предсказания вариантов белков за счет увеличения объема биологических доказательств, а не изменения параметров самой модели. Авторы предлагают метод BioEvidence — обучаемый без дообучения и независимый от архитектуры интерфейс, который преобразует структурную и эволюционную информацию из стандартных биологических инструментов в компактные доказательства для замороженных LLM. На бенчмарке ProteinGym демонстрируется эффект масштабирования доказательств: производительность улучшается по мере обогащения данных, причем структурные и эволюционные доказательства дают синергетический эффект при комбинировании. Важно отметить, что использование некорректных доказательств для неверных вариантов снижает точность даже ниже базового уровня без доказательств. Метод позволяет достичь уровня специализированных предикторов в задачах нулевого обучения, причем улучшение сохраняется на данных, выпущенных после момента остановки обучения модели. Результаты показывают, что внешние доказательства являются дополнительной осью масштабирования для научных предсказаний наряду с возможностями модели и усилиями на рассуждение.