EvoOptiGraph：经图基结构生成的弱点驱动协同演化优化建模

用大语言模型（LLM）从自然语言自动化优化建模面临两个关键挑战。第一——训练语料缺乏结构多样性。第二——数据生成管线保持静态且与模型学习解耦。为解决这些挑战——我们提出EvoOptiGraph——数据与模型由模型弱点驱动协同演化的新框架。EvoOptiGraph把每个混合整数线性规划（MILP）表示为带属性二部图——并施加保持有效性的演化算子生成结构多样实例。演化图经确定性编译转为求解器代码与自然语言——并经验证的回译核实。训练分两阶段：初始数据集上的监督微调（SFT）——随后可验证奖励强化学习（RLVR）——图导出的弱点信号引导生成针对模型失败的新实例。这形成持续更新训练分布的闭环。六个公开数据集上的实证结果表明EvoOptiGraph在准确率、可执行性与泛化上显著超越更大通用模型、智能体方法与专门基线。这些结果表明定向数据-模型协同演化是改进LLM优化建模任务的有效策略。