使用法学硕士和检索增强生成过程进行优化和约束建模

arXiv:2608.00015v1 公告类型：新 摘要：优化建模和约束建模都是重要的问题，需要深厚的领域专业知识和对建模形式语言的熟练程度。尽管它们在物流、医疗保健和供应链管理中很重要，但当前的大型语言模型经常产生结构不一致或不完整的优化公式，特别是在组合设置中。本文评估了基于精选合成数据集构建的检索增强生成管道是否可以有意义地提高 LLM 优化建模性能。使用 Text2Zinc 数据集的种子描述和使用 LLM 创建的专业角色（以 JSON 指定并与经过验证的 Python 求解器脚本关联），综合了总共 500 个优化问题。这些问题被编码在 Chroma 矢量数据库中。对于每个推理问题，检索语义相似的问题并将其用作 LangChain LLM 代理的上下文指导。使用三个基准测试台来评估 Qwen 3 30B Instruct 模型下提出的管道。 NL4OPT 的准确率从 40% 上升到 72%，MAMO Easy 的准确率从 40% 上升到 56%，MAMO Complex 的准确率从 32% 上升到 56%。使用经过语义验证的综合示例极大地提高了解决方案的准确性和结构。合成数据集生成与检索增强的结合提供了微调的有效替代方案，这表明特定领域的合成语料库与检索增强相结合可以作为在现实世界决策支持环境中部署基于 LLM 的优化工具的实用途径，而无需进行昂贵的模型再训练。