Research · Models
大型语言模型在优化问题建模前需动态澄清：OR-Clarify基准与InterOPT框架
Hugging Face论文介绍OR-Clarify基准和InterOPT框架，用于优化问题建模前的动态澄清，实验显示InterOPT在精确槽位恢复上显著优于基线。
阅读 Hugging Face Daily Papers 原文为什么重要
该研究解决了大语言模型在优化问题中因信息缺失导致的建模错误，通过主动提问提升问题求解质量，对复杂决策场景有重要意义。
关键事实
事实 1
OR-Clarify是一个用于预公式化澄清的基准，每个任务呈现部分公开问题描述并保留结构化隐藏槽位。
来源与依据
We introduce OR-Clarify, a benchmark for pre-formulation clarification. Each task presents a partial public problem description, withholds structured hidden slots
事实 2
InterOPT是一个两阶段框架，识别未解决的公式化关键差距，并据此决定是否提出下一个问题或停止。
来源与依据
We further propose Interactive Optimization (InterOPT), a two-stage framework that identifies unresolved formulation-critical gaps and uses them to guide whether to ask the next question or to stop.
事实 3
在选择式实验中，InterOPT在精确槽位恢复上显著优于所有基线。
来源与依据
In our choice-based experiments, InterOPT substantially outperforms all baselines in exact slot recovery