SAILOR：基于求解器辅助的交互式大语言模型优化恢复

优化问题的自然语言描述可能不完整或对求解器所需的数值信息（如成本、容量、需求、边界和惩罚项）表述模糊。语言模型可将描述转换为代码，但当缺少必需数值时，必须要么停止，要么进行猜测。我们提出了SAILOR，一个概念验证系统，能够检测此类缺失的数值选择，向用户提出针对性的后续问题，更新优化模型后再返回解。问题的优先级基于不确定性以及求解器对每个缺失值影响程度的估计。我们在七个掩码基准的1723个实例上评估该流程，使用理想化模拟器返回真实值。各数据集的精确目标值一致率在27.0%至87.6%之间，每个实例平均提出1.4至5.7个问题。这些结果表明在受控的分支-揭示反馈下方案可行；该评估未涉及人类用户交互或通用结构模型修复。代码开源地址：此 https URL。