在优化建模中，自然语言接口显著提升了可访问性和可用性。近期大型语言模型（LLMs）的进展显示出将文本问题描述自动转化为可执行求解器公式的潜力。然而，现有方法面临的关键挑战是确保推导出的公式能够正确实现预期任务，即使其可能无错误执行。为此，我们引入了 VeriSimpl，这是一种基于简化验证的强健自然语言到优化形式化的求解器 LLM 框架。
我们的思路基于简化验证的概念，通过优化求解器生成关于候选公式的简化诊断查询，使 LLM 能够在固定的全局上下文下局部推理公式的正确性。
我们展示了针对问题约束和决策变量的不同维度的简化策略，这些策略允许 LLM 更加有效地进行推理。
在多项优化基准测试中的评估表明，我们的方法在准确性上持续优于现有方法，同时也提供了一种新颖的高精度自我验证信号。
博主点评： VeriSimpl 的提出为自然语言优化建模带来了新的视角，通过简化验证策略有效提升了模型的准确性与可靠性。这一创新方法不仅优化了求解过程，更为 LLM 在复杂问题中的应用提供了扎实的理论基础。值得关注的是其自我验证机制，这将为未来的研究开辟新的方向。