Opt-Verifier：通过双侧验证 unleash 大语言模型在优化建模中的力量
人工智能
2026-05-29 v1
摘要
构建数学优化模型是运营研究中的关键任务，但需要 substantial 人类 expertise。最近的研究利用大语言模型（LLM）自动化此过程，但现有方法往往难以验证生成模型的正确性，既不检查约束和变量的合理性，也不验证生成模型的解的有效性。这严重阻碍后续验证和纠正步骤，从而严重影响建模准确性。为此，我们提出一种基于LLM的新型框架，采用双侧验证（Opt-Verifier），从结构和解的两个角度提高建模准确性。结构侧验证确保生成的优化模型结构与原始问题描述一致，准确捕获问题的约束和要求；而解的侧验证则解释和评估解的有效性，确认优化模型在逻辑和数学上是健全的。实验在流行基准测试上表明，我们的方法在准确性上实现了超过20%的提升。
引用
@article{arxiv.2605.29556,
title = {Opt-Verifier: Unleashing the Power of LLMs for Optimization Modeling via Dual-Side Verification},
author = {Haoyang Liu and Jie Wang and Boxuan Niu and Xiongwei Han and Yian Xu and Mingxuan Ye and Zijie Geng and Fangzhou Zhu and Tao Zhong and Mingxuan Yuan and Jianye Hao},
journal= {arXiv preprint arXiv:2605.29556},
year = {2026}
}