用求解器结果强化学习优化建模

论文用求解器执行结果做强化学习训练优化建模，并支持跨求解器迁移。

资讯摘要

论文提出 OMSO，将数学规划求解器作为确定性交互环境，用强化学习从廉价的结果标签训练优化建模：模型根据自然语言问题与目标求解器生成代码，在沙箱中执行，并把执行结果转为标量奖励，形成生成—执行—反馈—更新的闭环。作者报告在 NL4OPT、MAMO、IndustryOR 和 OptiBench 上，跨 Gurobi、OR-Tools、COPT 的实验显示 OMSO 达到或超过过程监督 SFT，并支持零样本迁移与直接 RL 训练。

要点速读

1. OMSO 以求解器为确定性环境，用结果标签做强化学习，无需过程级监督。
2. 通过切换求解器环境支持跨求解器泛化，而非重建求解器专用数据集。
3. 作者报告在四个基准、三种求解器上达到或超过过程监督 SFT，并支持零样本迁移。

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 2026/10/31 08:00:18（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。