NED-Tree：用于LLM非线性优化建模的非线性元素分解树
人工智能
2026-04-03 v1
摘要
自动将Operations Research(OR)问题从自然语言翻译为可执行模型是关键挑战。虽然大语言模型(LLM)在线性任务中显示出前景，但在现实世界的非线性场景中因语义在数学表述与求解器代码之间产生错位以及信息提取不稳定而出现严重性能下降。在本研究中，我们引入NED-Tree，一个系统化框架以弥合语义鸿沟。NED-Tree采用(a)逐句提取策略以确保稳健的参数映射和可追溯性；(b)递归树形结构以适应性地将复杂非线性项分解为求解器兼容的子元素。此外，我们提出NEXTOR，一个专为复杂非线性、广约束OR问题设计的新型基准。跨越10个基准的实验表明，NED-Tree建立了以72.51%平均准确率为新的state-of-the-art，NED-Tree是首个驱动LLM解决非线性建模困难通过元素分解的框架，实现建模语义与代码语义的对齐。NED-Tree框架和基准可在匿名仓库https://anonymous.4open.science/r/NORA-NEXTOR上获取。
引用
@article{arxiv.2604.01588,
title = {NED-Tree: Bridging the Semantic Gap with Nonlinear Element Decomposition Tree for LLM Nonlinear Optimization Modeling},
author = {Zhijing Hu and Yufan Deng and Haoyang Liu and Changjun Fan},
journal= {arXiv preprint arXiv:2604.01588},
year = {2026}
}
备注
17 pages, 7 figures, conference