LLM 对 Bin Packing 问题贡献的深度研究

近期研究表明，大语言模型 (LLM) 可能为数学发现提供有趣的想法。这一论点源于 LLM 基于的遗传算法产生的启发式方法，为统一分布和威布尔分布下的在线 bin packing 问题提供了新颖见解。本文通过对 LLM 生成的启发式方法进行详尽分析，考察其行为和可解释性。尽管这些启发式方法具有人类可读性，但即便面对领域专家而言仍显得相当晦涩。基于此分析，我们提出一类针对特定 bin packing 实例的新型算法。导出的算法在简洁性、效率、可解释性和可泛化性方面均显著优于原有方法，这表明所讨论的实例本身相对较为简单。随后我们讨论了关于 LLM 在此问题上贡献的局限性，该论点似乎基于一种错误假设，即这些实例此前已被研究过。我们的发现反而强调，在评估 LLM 生成输出的科学价值时，亟需进行严格的验证与背景化处理。