Nell'ottimizzazione di una reazione o di un materiale, la difficoltà non è proporre molte opzioni ma scegliere quale prova costosa eseguire dopo. Un modello linguistico da solo può suggerire condizioni plausibili ma non valide. GOLLuM usa quindi il modello per rappresentare la descrizione dell'esperimento e un processo gaussiano per stimare risultato e incertezza.

L'obiettivo probabilistico modifica anche le rappresentazioni del modello linguistico, avvicinando gli esperimenti con esiti simili. La selezione non dipende così dalla sola somiglianza testuale e può bilanciare lo sfruttamento delle aree promettenti con l'esplorazione di quelle incerte.

Gli autori hanno applicato la stessa configurazione a 23 benchmark di sintesi organica, materiali, chimica di processo e progettazione molecolare, partendo ogni volta da dieci osservazioni sotto la mediana. GOLLuM si è classificato primo in media e ha eguagliato l'ottimizzazione bayesiana standard con oltre il 40% di prove in meno. In cinque compiti Buchwald–Hartwig ha trovato il 43% di condizioni ad alte prestazioni contro il 24–25% dei metodi di confronto.

Un possibile uso è la scelta controllata della prossima misura nei laboratori automatizzati, con vincoli di sicurezza separati e supervisione umana. Le prove restano basate su benchmark; i processi gaussiani scalano male a migliaia di test e il solo testo non basta per strutture 3D complesse. Piloti prospettici in laboratorio potrebbero arrivare in 2–4 anni; l'uso di routine richiederà validazione indipendente.