自引导 LLM 推理用于车辆路径问题错误诊断

Self-Guided LLM Reasoning for Error Diagnosis in Vehicle Routing Problems

AI 导读

研究系统考察了 LLM 检测和纠正车辆路径问题（VRP）实例错误的能力，发现其在复杂实例或大幅增加推理负担的错误上存在明显局限。为此提出自引导推理框架，让 LLM 自主生成代码提供结构化洞察以辅助错误诊断。在多种问题设置和 LLM 上的实验表明，该框架显著提升错误检测性能，达到接近完美的准确率。

正文 · AI 翻译

查看 PDF HTML（实验性）

摘要：车辆路径问题（VRP）是许多现实世界应用的基础。大语言模型（LLM）的最新进展推动了求解这些 NP 难问题的进展。然而，大多数现有方法假设输入实例是无错误的，忽略了现实数据中常见的故障。在本工作中，我们系统地研究了 LLM 检测（并纠正）VRP 实例中错误的能力，并识别出关键局限，尤其是在处理复杂实例或会大幅增加 LLM 推理负担的错误时。为克服这些挑战，我们提出了一种自引导推理框架，其中 LLM 自主生成代码，以提供结构化见解来辅助错误诊断。跨多种问题设置和 LLM 的实验表明，我们的框架显著提升了错误检测性能，达到了近乎完美的准确率。

学科：	人工智能（cs.AI）；机器学习（cs.LG）
引用为：	arXiv:2610.21393 [cs.AI]
	（或 arXiv:2610.21393v1 [cs.AI] 用于此版本）
	https://doi.org/10.48550/arXiv.2610.21393 由 DataCite 颁发的 arXiv DOI（待注册）

提交历史

来自：Jianan Zhou [查看邮箱]
[v1] 2026年10月15日星期四 07:08:51 UTC（187 KB）

来源：arXiv cs.AI · arxiv.org