LLM 生成的求解器在组合问题上陷入“启发式陷阱”

研究人员开发了一个新的基准 CP-SynC-XL，包含 100 个组合问题，用于评估大型语言模型 (LLM) 如何合成可执行求解器。他们的发现表明，使用 LLM 为 OR-Tools 等现有求解器（在 Python 中）形式化问题，比在 MiniZinc 中进行声明式建模能获得更高的正确性。提示 LLM 同时优化搜索策略，仅带来了微小的速度提升，并且在许多问题上正确性显著下降，这归因于“启发式陷阱”，即 LLM 用近似值替换完整搜索或引入过度约束的机制。 AI

影响 强调了使用 LLM 在求解器生成中进行直接优化的风险，建议专注于形式化以获得经过验证的求解器。

排序理由 学术论文，介绍了一个新的基准并评估了 LLM 生成的求解器。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• CP-SynC-XL
• Large Language Models
• MiniZinc
• OR-Tools

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →