EvoOptiGraph：圖形演化驅動的 LLM 最佳化建模共演框架

背景與挑戰

利用大型語言模型（LLM）自動化產生最佳化模型時，訓練語料缺乏結構多樣性，且資料生成流程與模型學習分離，導致模型難以克服自身弱點。

EvoOptiGraph 框架概述

EvoOptiGraph 先將每個混合整數線性規劃（MILP）轉換為具屬性的雙部圖，並套用保持可行性的演化算子，生成結構多樣的圖形實例。這些圖形再經由確定性編譯轉成求解器程式碼與自然語言描述，並以回譯驗證其正確性。

雙階段訓練流程

訓練分為兩階段：第一階段以初始資料集進行監督微調（SFT），第二階段採用可驗證獎勵的強化學習（RLVR），利用圖形衍生的弱點訊號指導新實例生成，聚焦模型失敗的情境，形成資料與模型的閉環共演。

實驗結果

在六個公開資料集上，EvoOptiGraph 在準確度、可執行性與泛化能力方面均顯著優於更大型的通用模型、代理式方法以及其他專門基線，證明針對性資料‑模型共演是提升 LLM 在最佳化建模任務上的有效策略。

延伸閱讀

• ACROS：以門控殘差在不重訓下為解碼式LM引入可控詞義表示
• 殘差化稀疏自編碼器（ReSAE）解析：降低多層 Transformer 干預中的重複與交互
• KAN-SAE：以每維可學習 B-spline 強化稀疏自編碼器以解碼天氣模式

原始來源：ArXiv AI

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。