IR2Solve：用于经济高效的优化自动公式的结构化中间表示

大语言模型 (LLM) 可以将自然语言优化问题转化为求解器就绪的公式，但直接代码生成很脆弱：模式、索引和语义错误可能导致编译失败、模型不可行或目标不正确，而迭代修复、搜索和多代理工作流程会增加推理成本。我们提出了 IR2Solve，一种中间表示优先的自动公式化管道，它使用单个语义 LLM 调用来生成模式约束的 ModelIR，然后是两个确定性阶段：验证和 IR 到求解器编译。 ModelIR 使用受限制的类似 Python 的表达式字符串显式表示集合、参数、变量、目标和约束。具体的标量约束约定将有限的每个索引约束族表示为单独的条目，减少了自由索引和隐式量化错误，同时简化了下游验证和编译。在六个经过清理的优化基准中，IR2Solve 实现了强大的客观正确性，并且与最新的优化建模系统相比仍然具有竞争力。 153 个 IndustryOR 和 ComplexLP 实例上的受控消融显示了来自结构化 IR 接口、标量约束指令和确定性验证的连续增益。在匹配的十个实例成本面板上，IR2Solve 每个实例使用一次语义调用，而 Chain-of-Experts 和 SAC-Opt 每个实例使用 8 次和 39 次调用，消耗的词元量分别是 IR2Solve 的 3.3 和 22.9 倍。这些结果表明，结构化中间表示与确定性后生成处理相结合，为基于 LLM 的优化自动公式提供了实用的准确性与成本权衡。