轻量推理框架提升LLM优化建模

轻量推理框架无需训练即可提升LLM优化建模准确率

资讯摘要

论文提出 OPTICYCLE 和 OPTISTATE 两个轻量推理框架，用于让大语言模型把自然语言优化问题转写为求解器程序。作者在九个基准、2634 道题上，用 11 个 0.6B–27B 参数的 Qwen 变体评测，报告执行引导的修订对全部模型都能稳定提升宏准确率，最高提升 49.46 个百分点；两个框架在同模型对比中优于六种改造后的智能体工作流，并在相近规模下优于四个经后训练的优化模型，且无需额外训练。显式建模状态带来的增益因模型而异。

要点速读

1. 论文提出 OPTICYCLE 与 OPTISTATE 两个轻量推理框架，无需额外训练。
2. 在九个基准共 2634 道题、11 个 Qwen 变体上评测，执行引导修订最高提升 49.46 个百分点宏准确率。
3. 同模型对比下优于六种智能体工作流，并优于四个后训练优化模型；显式状态增益因模型而异。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/24 08:00:37（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。