Resumen: El modelado de optimización (OM) es esencial para resolver problemas complejos de toma de decisiones. Sin embargo, el proceso sigue siendo lento y propenso a errores, confiando en gran medida en expertos en dominios. Si bien los modelos de idiomas grandes (LLM) son prometedores al abordar estos desafíos a través de sus capacidades de comprensión del lenguaje natural y razonamiento, los enfoques actuales enfrentan tres limitaciones críticas: altas tasas de error de etiquetado de referencia que alcanzan hasta 42 %, un alcance de evaluación limitado que solo considera valores óptimos e ineficiencia computacional debido a una gran relación en los sistemas múltiples de agentes o ajuste fino de los modelos. En este trabajo, primero mejoramos los conjuntos de datos existentes a través de la corrección de errores sistemáticos y una anotación más integral. Además, presentamos Logior, un nuevo punto de referencia de modelado de optimización del dominio logístico, que contiene problemas más complejos con anotaciones estandarizadas. Además, presentamos orthug, un marco novedoso que aprovecha los principios de modelado de optimización a nivel de experto a través del razonamiento de la cadena de pensamiento para automatizar el proceso OM. A través de una extensa evaluación empírica, demostramos que la orthufo supera a los enfoques existentes, incluidos los marcos de múltiples agentes, con ventajas particularmente significativas en problemas de optimización complejos. Finalmente, proporcionamos un análisis sistemático de nuestro método, identificando factores de éxito críticos y modos de falla, proporcionando ideas valiosas para futuras investigaciones sobre el modelado de optimización basado en LLM.
Publicado Originalme en export.arxiv.org El 20 de agosto de 2025.
Ver Fuente Original
