论文
OptSkills：通过基于聚类的蒸馏从问题原型学习可泛化的优化技能
OptSkills: Learning Generalizable Optimization Skills from Problem Archetypes via Cluster-Based Distillation
摘要
利用大语言模型（LLM）从自然语言自动构建并求解优化问题，已成为自动优化的高效范式。然而，现有方法的泛化能力仍然有限：它们对表层的叙述变化敏感，经验复用主要停留在个案层面，并且难以适应发生偏移或新出现的问题类型。我们提出 OptSkills，一个以原型为中心、面向优化建模与求解的技能学习与推理智能体系统。为提升稳健泛化，该系统依据问题的底层原型而非表层叙述对问题进行聚类。为提升分布内泛化，它在每个聚类内探索多样的建模范式与求解器配置，再将成功轨迹蒸馏为可复用的工作流级技能。为提升分布外泛化，它利用新获取的轨迹对既有技能进行精炼或扩展技能库。我们的系统在涵盖多样问题类型与场景的数据集上取得 68.27% 的最先进微平均（micro-averaged）准确率。此外，在极具挑战性的大规模高维基准 MIPLIB-NL 上，它取得 26.91% 的准确率，领先 DeepSeek-V3.2-Thinking 4.53%。在 Nano-CO 上完成技能学习后，它在 OOD NLCO 基准上达到 72.79%。代码与技能已发布于 https://github.com/fujiwaranoM0kou/OptSkills。
