NED-Tree：用非线性元素分解树弥合LLM非线性优化建模的语义鸿沟

将运筹学（OR）问题从自然语言自动转化为可执行模型是一项关键挑战。尽管大语言模型（LLM）在线性任务上已展现出前景，但由于数学表述与求解器代码之间的语义错位以及不稳定的信息抽取，它们在真实非线性场景中性能严重退化。本研究提出NED-Tree，一个旨在弥合语义鸿沟的系统性框架。NED-Tree采用：(a)逐句抽取策略，以确保稳健的参数映射与可追溯性；(b)递归树结构，将复杂非线性项自适应分解为求解器可兼容的子元素。此外，我们提出NEXTOR，一个专为复杂非线性、约束繁多的OR问题设计的新基准。在10个基准上的实验表明，NED-Tree以72.51%的平均准确率确立了新的最先进水平；NED-Tree是首个通过元素分解驱动LLM化解非线性建模难题的框架，实现了建模语义与代码语义的对齐。NED-Tree框架与基准可在匿名仓库 https://anonymous.4open.science/r/NORA-NEXTOR 获取。