用于 LLM 基于优化问题表述和代码生成的规范中间表示

自动从自然语言描述中构建优化模型是运筹学中的一个不断增长的焦点，但当前的 LLM 方法在处理复杂操作规则所需的组合约束和合适的建模范式方面存在挑战。为此，我们提出了规范中间表示（Canonical Intermediate Representation, CIR）：一种 LLM 显式生成问题描述与优化模型之间的架构。CIR 通过约束原型和备选建模范式编码操作规则的语义，从而将规则逻辑与其数学实例相分离。在新构建的 CIR 知识库之上，我们开发了规则到约束（R2C）框架，一个多智能体管道，用于解析问题文本、通过检索领域知识来合成 CIR 实现，并实例化优化模型。为系统评估规则到约束推理，我们在新构建的具有丰富操作规则的基准测试中测试 R2C，并测试来自 prior work 的基准。大量实验表明，R2C 在提议基准测试上实现了最先进的准确率（47.2%）。在文献中已有的基准测试上，R2C 交付了高度具竞争力的结果，接近专有模型（如 GPT-5）的性能。此外，凭借反思机制，R2C 获得了进一步的提升，并在某些基准测试上设定了新的最佳报告结果。