并非所有问题都最适合建模为MILP：以DSL为中心的灵活精准优化建模框架OptiDSL

求解组合优化问题（COP）不仅需要高效的算法，还需要精心设计的建模表述。尽管近期工作已利用大语言模型（LLM）实现优化建模自动化，但现有框架主要依赖僵化的混合整数线性规划（MILP）范式。本文论证并非所有问题都最适合建模为MILP，因为将复杂领域强行塞入线性约束会带来难以承受的建模复杂度，并严重限制求解器的灵活性。为此，我们提出OptiDSL，一个将焦点从僵化MILP表述转向领域专用语言（DSL）表示的框架。OptiDSL利用LLM将自然语言映射到标准化、领域公认的结构上，从而将问题表述与执行解耦。这一范式使其能够与多样化的专用求解器库无缝集成，涵盖从传统启发式到现代基于学习的方法。在涵盖44类COP的综合基准上的实验结果显示，OptiDSL显著超越基于MILP的流水线：建模准确率提升51.66%，建模时间减少91.71%。值得注意的是，它在现有基准上也优于基于MILP的流水线，建模准确率高出23.09%。代码见 https://anonymous.4open.science/r/OptiDSL。