TriVAL：用于忠实自动优化建模的三重验证框架

优化建模是自然语言问题描述和优化求解器之间的关键桥梁，并且仍然是将运筹学 (OR) 引入现实世界决策的基石。 大语言模型 (LLM) 的最新进展推动了自动优化建模的重大进展。然而，现有方法在建模过程中仍然缺乏明确的验证，从而导致早期阶段引入的错误贯穿整个流程，最终降低最终的建模精度。为了应对这一挑战，我们引入了 TriVAL，这是一个三重验证框架，它在自动优化建模的三个阶段执行显式验证：语义规范、数学公式和代码生成。在每个阶段，TriVAL 都遵循构建-验证-修改循环，根据特定阶段的标准评估当前结果，并在需要时进行修改。此设计有助于在错误跨阶段累积之前识别并纠正错误，从而有助于在整个建模过程中保留 忠实性。为了评估更具挑战性的组合问题的自动优化建模，我们进一步引入了 NL4COP，这是一个涵盖 50 个不同问题类型的 150 个实例的基准，与现有基准相比，具有更复杂的决策逻辑、更紧密耦合的约束以及更苛刻的建模要求。 NL4COP 的实验和既定基准表明，TriVAL 始终优于最先进的方法，在最具挑战性的问题上取得了最大的收益。