Text2Model：用于文本到模型翻译的建模 Copilot
摘要
越来越多的人关注利用大语言模型 (LLM) 进行文本到模型翻译和优化任务。本文旨在推进这一研究方向，引入 \textsc{Text2Model} 和 \textsc{Text2Zinc}。\textsc{Text2Model} 是一套基于若干 LLM 策略构建的 Copilot 系列，策略复杂度各不相同，并配备在线排行榜。\textsc{Text2Zinc} 是一个跨域数据集，用于捕获以自然语言指定的优化与满意性问题，同时包含一个带内置 AI 助手的交互式编辑器。虽然已有文献探讨了使用 LLM 将组合问题翻译为形式模型，但我们的工作是首次尝试将\textit{同时}包含满意性问题和优化问题于\textit{统一}架构和\textit{数据集}中。此外，我们的方法是\textit{求解器无关}的，而与现有工作不同，后者专注于针对特定求解器翻译模型。为实现此目标，我们利用 \textsc{MiniZinc} 的求解器和范式无关建模能力来表述组合问题。我们进行了全面的实验，比较了多种单调用和多调用策略在执行和解答准确性上的表现，包括零-shot 提示、链式思维推理、通过知识图谱的中间表示、基于语法的语法编码以及将模型分解为顺序子任务的智能体方法。我们的 Copilot 策略表现出竞争力，在部分方面超越了该领域的最新研究成果。我们的发现表明，尽管 LLM 前景光明，但它们尚非“一键即用”的技术。我们贡献了 \textsc{Text2Model} Copilot 及其排行榜，以及 \textsc{Text2Zinc} 和交互式编辑器，以开源方式贡献以支持缩小这一性能差距。
引用
@article{arxiv.2604.12955,
title = {Text2Model: Modeling Copilots for Text-to-Model Translation},
author = {Serdar Kadioglu and Karthik Uppuluri and Akash Singirikonda},
journal= {arXiv preprint arXiv:2604.12955},
year = {2026}
}
备注
AAAI'25 Bridge Program on Machine Learning and Operations Research CPAIOR'26 Master Class on LLMs for CP/OR