Neural Cluster First, Route Second：基于可微最优输运的单次容量车辆路径问题

容量车辆路径问题 (CVRP) 为现代最后英里物流所支撑。当前的神经组合优化 (NCO) 方法按序构建 CVRP 解决方案，继承了顺序解码瓶颈、对空间对称性的敏感性以及脆弱的超出分布行为。我们重新审视经典的聚类-路由-次序 (Cluster-First-Route-Second, CFRS) 范式——长期以来已知其渐近最优但 largely 被 NCO 所忽视——并认为它与深度学习的核心优势相吻合：针对全局上下文的相似性和分配，而非构建长序链。我们引入 Neural CFRS，首个纯粹非自回归一次性神经 CFRS 框架用于 CVRP。它通过可微可熵最优输运层在端到端强制执行全局车队容量约束，生成连续输运计划以稀疏化精确容量分配求解器。我们提供形式理论保证，表明该架构本质上抽象掉了 $E(2)$ 空间、跨路由置换以及路径内遍历对称性。通过采用预训练的空间词汇表，我们实现了极端参数效率和零样本扩展。主要为常数容量设置下的真实世界空间分布设计，Neural CFRS 对超出分布 $N=1000$ 规模问题具有稳健扩展，< 4% 的差距——即使作为超轻量级单层架构，仍保持约 5% 的差距。此外，当在标准基准上即插即用时，我们实现了高度具竞争力的 2.73% 最优差距。