NEMO：通过自主编码智能体实现执行感知的优化建模

在本文中，我们提出了 NEMO，这是一个将决策问题的自然语言描述转换为正式的可执行数学优化实现的系统，可以与用户协作或自主运行。现有方法通常依赖于专门的大语言模型 (LLM) 或定制的、特定于任务的代理。此类方法通常脆弱、复杂，并且经常生成语法无效或不可执行的代码。相反，NEMO 专注于与自主编码代理 (ACA) 的远程交互，将其视为一流的抽象，类似于与大语言模型基于 API 的交互。这种设计使得能够围绕 ACA 构建更高级别的系统，从而构建、整合和迭代地细化任务规范。由于 ACA 在沙盒环境中执行，NEMO 生成的代码可通过构造执行，从而允许自动验证和修复。在此基础上，我们引入了 ACA 之间的新颖协调模式，包括独立生成的优化器和模拟器实现之间的不对称验证循环（充当高级验证机制）、用于经验重用的外部存储器，以及通过最小贝叶斯风险 (MBR) 解码和自我一致性增强鲁棒性。我们根据九个既定的优化基准评估 NEMO。如图 1 所示，它在大多数任务上实现了最先进的性能，在多个数据集上有很大的余量，展示了用于自动优化建模的执行感知代理架构的强大功能。