大语言模型能够设计近优的运筹学算法

我们探究大语言模型（LLM）能否为明确设定的运筹学（OR）问题设计有效的算法。我们研究库存控制、排队网络控制和商品组合优化（assortment optimization）。我们评估LLM使用的两个层级：在层级1，模型接收一个问题实例并返回该实例的解；在层级2，它只接收问题类描述和宽泛的参数范围，并返回一个将实例参数映射为解的算法。人工输入极少：我们只给出一个描述问题的未调优提示，模型可以使用一个具有固定计算预算的Python沙盒工具。我们测试的最强模型gpt-5.6-sol在几乎所有评估实例上匹配或超越了现有最佳方法。这在层级2同样成立，此时返回的算法在看到评估实例之前就已固定。性能在间隔不到八个月发布的各代模型之间急剧提升，表明这一能力正在快速演进。因此，对于我们所研究的明确设定的运筹问题，单次未调优的LLM查询已经能够产生与专门方法相竞争的算法。这些结果表明，前沿LLM可以成为明确设定OR问题中算法设计的一个严肃的经验性基线。