Опубликован препринт arXiv:2608.00019, в котором авторы решают проблему когерентности LLM при генерации математических моделей для операционных исследований (OR). Стандартное авторегрессионное порождение часто даёт локально правдоподобные, но глобально неверные формулировки, что приводит к ошибкам в коде решателя.
Ключевая идея
Предложен training-free фреймворк, который на каждом шаге генерации проводит короткие симуляции вперёд (lookahead), чтобы оценить неопределённость будущих шагов. Кандидаты, с большей вероятностью ведущие к целостной модели, отбираются через importance resampling. Параметры модели не обновляются.
Результаты и бенчмарки
Тестирование на трёх бенчмарках: NL4OPT, MAMO и IndustryOR. Фреймворк стабильно превосходит стандартные и low-temperature baseline без дополнительного обучения.
| Punkt | Detail |
|---|---|
| Метод | Симуляции вперёд + importance resampling, без дообучения |
| Тестирование | NL4OPT, MAMO, IndustryOR |
| Вывод | Устойчивое превосходство над baseline, эффективный training-free подход |
| Что остаётся неясным | Применимость в реальных условиях, детали симуляций, сравнение с другими методами (например, CoT) |
Что дальше
Стоит изучить полный текст статьи, чтобы понять ограничения метода и возможность его интеграции в существующие пайплайны OR. Авторы обещают релиз кода — следите за репозиторием.
Источник: https://arxiv.org/abs/2608.00019
Верификация: https://arxiv.org/