摘要
语言模型将文字情境转化为数字计划，但主流管道（NL4Opt, OptiMUS, ORLM, OR-LLM-Agent）通常只专注于单一目标和点值系数，解决问题时仅进行一次计算。对于分配真实预算、努力或临床关注的决策，这种信心反而成了失败的模式：每一个被客观化的数字都是一个假设，只有在猜测完全正确时才最优的计划是脆弱的，类似于计算的模仿。
YUKTI 改变了自动公式化的目标。其表示为一个类型化命题图，其中的关系承载了形状先验、系数不确定性和来源。YUKTI 将每个阶段路由到精确的、非线性的或进化的求解器；通过分布式的 Pareto 转交耦合阶段；并引入了假设稳健的 Pareto 前沿（ARPF），重新采样假设（包括结构性 epsilon 污染），以评估每个行动的生存频率（rho）。我们证明了一个界限，使得 rho 成为决策遗憾的精确因子，增加了可审计的可追溯性，并在缺乏数据时合成了一个基准忠实的数据基础（SRJANA）。
我们通过三种方式进行了验证：在受控的错误指定下，稳健的折衷方法将平均和尾部遗憾减少了超过 90% 相比于简单的点计划；在受监管的商业决策中，我们在合法的行动空间内进行优化，并以欧元定价潜在损失；在一个包含 41,188 个决策的真实公共数据集上，样本外回测超越了记录的现状 34%，并比简单的点规则高出 4%，同时减少了优化器的诅咒。求解器是标准的；我们并不声称有基准的 SOTA 胜利。面对面比较显示，给定正确数字的 LLM 和单目标优化都产生了大约 47 倍于 YUKTI 的持有遗憾——LLM 是一个公式化者，而不是求解者。在长期因果耦合下，前向转交变得不可靠，必须定位为反向推导因果策略。
博主点评： YUKTI 的创新在于它通过引入假设稳健的 Pareto 前沿，显著提升了决策的可靠性。相较于传统的单目标优化，YUKTI 能够更好地处理不确定性，为复杂决策提供了更为稳健的解决方案，尤其是在预算和资源配置等关键领域。其对比分析也清晰展示了传统方法的局限性，值得关注。