BiFE：基于LLM双保真度进化搜索高效的纯CPU分支策略

一篇arXiv论文提出BiFE框架，用于混合整数线性规划分支定界中的分支变量选择。针对全量真实实例评估成本过高、离线模仿学习存在分布偏移的问题，BiFE用低保真模仿分数快速预筛，仅对精英候选做高保真在线评估。实验显示其搜索效率较好，发现的规则在CPU上超过SCIP求解器和其他基线，甚至超过部分GPU神经网络策略。

此前高效分支策略多依赖GPU推理，CPU友好的符号表达式表达能力有限，而LLM生成代码虽灵活，却难以在进化搜索中承担真实评估的高成本。BiFE尝试把筛选与验证分层，使轻量CPU规则在有限搜索预算下被发现并具备竞争力。

该机制将低保真模仿评分作为快速初筛，过滤大部分候选，再把昂贵的高保真分支定界评估集中用于精英候选，从而降低搜索总成本并缓解离线模仿的分布偏移。LLM负责生成具有不同算法逻辑的代码，扩展可搜索的规则空间。

对需要求解MILP的产品团队，可能减少对GPU推理资源的依赖，将分支策略部署在CPU环境；研发上可把LLM生成候选与分层评估纳入求解器调优流程，降低规则发现的计算预算，但实际收益仍取决于所提规则在真实业务实例上的表现。

• 在自有MILP求解栈中试点BiFE式双保真流程，用低保真评分预筛候选规则，再对少数规则做真实实例评估。
• 为求解器团队建立LLM生成分支规则的实验管线，对比CPU符号规则与现有GPU神经策略的推理成本。
• 在调度、排产或路径优化等依赖MILP的业务中，评估纯CPU分支策略能否降低部署门槛和单位求解成本。

• BiFE在哪些MILP实例分布上验证，是否覆盖真实工业规模问题？
• 高保真评估只用于精英候选时，预筛的假阴性风险有多大？
• 发现的规则与SCIP及GPU神经策略的差距在统计上是否显著？
• 是否需要为每类问题重新训练或重新进化策略？