论文
Opt-Verifier：通过双端验证释放LLM在优化建模中的能力
Opt-Verifier: Unleashing the Power of LLMs for Optimization Modeling via Dual-Side Verification
摘要
构建数学优化模型在运筹学（OR）中至关重要，但它需要大量的人类专业知识。最近的进展利用大语言模型（LLM）来自动化这一建模过程。然而，现有工作往往难以验证所生成优化模型的正确性，既不检查约束与变量的合理性，也不检验所生成模型之解的有效性。这阻碍了后续的验证与修正步骤，因此严重损害建模准确性。为应对这一挑战，我们提出一个基于LLM的新型双端验证框架（Opt-Verifier），从结构与解两个视角出发，从而提升建模准确性。结构端验证确保所生成优化模型的建模结构与原始问题描述一致，准确捕捉问题的约束与需求。与此同时，解端验证解释并评估解的有效性，确认优化模型在逻辑和数学上均为健全。在流行基准上的实验表明，我们的方法准确率提升超过20%。
