arXiv cs.AI· Qingcan Kang, Mingyang Liu, Xiaojin Fu, Shixiong Kai, Tao Zhong, Mingxuan Yuan·· 10 小时前AI 评分29
EvoOptiGraph：基于图结构生成的弱点驱动数据模型协同进化框架，用于优化建模
EvoOptiGraph: Weakness-Driven Coevolution via Graph-Based Structural Generation for Optimization Modeling
AI 导读
EvoOptiGraph 提出一种由模型弱点驱动的数据与模型协同进化框架，将每个混合整数线性规划（MILP）表示为属性二部图，用保有效性进化算子生成结构多样的实例，再经确定性编译与验证回译转为求解器代码和自然语言。
正文 · AI 翻译
摘要：利用大语言模型（LLM）从自然语言自动生成优化建模面临两大关键挑战。第一，训练语料缺乏结构多样性。第二，数据生成流程保持静态，且与模型学习相脱节。为应对这些挑战，我们提出 EvoOptiGraph，这是一个由模型弱点驱动、数据与模型协同演化的新框架。EvoOptiGraph 将每个混合整数线性规划（MILP）表示为带属性的二分图，并应用保持有效性的演化算子来生成结构多样的实例。演化后的图通过确定性编译和经过验证的回译转换为求解器代码和自然语言。训练分两个阶段进行：首先在初始数据集上进行监督微调（SFT），随后进行带可验证奖励的强化学习（RLVR），其中由图导出的弱点信号引导生成针对模型失败的新实例。这形成了一个持续更新训练分布的闭环。在六个公开数据集上的实证结果表明，EvoOptiGraph 在准确性、可执行性和泛化能力上显著优于更大的通用模型、智能体方法和专用基线。这些结果表明，有针对性的数据-模型协同演化是提升 LLM 在优化建模任务上表现的有效策略。
| 学科： | 人工智能（cs.AI） |
| 引用为： | arXiv:2606.26578 [cs.AI] |
| （或 arXiv:2606.26578v2 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2606.26578 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Mingyang Liu [查看邮箱]
[v1]
2026年6月25日 星期四 03:57:07 UTC（3,473 KB）
[v2]
2026年11月4日 星期三 06:36:12 UTC（3,442 KB）
来源：arXiv cs.AI · arxiv.org