LLMs 能设计近最优的运筹学算法

论文研究大语言模型（LLM）能否为明确定义的运筹学问题设计算法，涵盖库存控制、排队网络控制和品类优化。实验设两个层级：第一层针对单个实例返回解，第二层仅凭问题类别和参数范围返回算法。最强的 gpt-5.6-sol 模型在几乎所有测试实例上达到或超过现有最佳方法，且仅需一个未经调优的提示和 Python 沙盒工具。

此前 LLM 多用于文本任务，如今证明在明确定义的运筹学问题上，单次未调优查询就能生成与专业方法相当的算法，且模型能力在八个月内快速提升，预示 LLM 可作为算法设计的严肃基线。

LLM 通过大量代码和数学文本训练，能理解问题描述并生成可执行的 Python 代码，在沙盒中迭代运行以符合约束。第二层设置要求模型从问题类别和参数范围抽象出通用算法，而非仅针对单实例，这考验其泛化能力，结果显示 gpt-5.6-sol 能够胜任。

对依赖运筹学（如库存、排队、选品）的产品，可用 LLM 快速生成算法原型，缩短研发周期；但需注意计算成本和稳定性，且对于复杂问题仍需验证。

• 在供应链或库存管理系统集成 LLM 驱动的算法生成模块，自动根据参数生成策略。
• 开发基于 LLM 的运筹学咨询工具，向非技术用户解释算法建议。
• 将 LLM 算法与现有优化引擎对比评估，作为快速基准。
• 监控新模型（如 gpt-5.6-sol）在内部运筹问题上的效能，及时升级。

• 证据未说明测试实例的具体规模和复杂度。
• 未提及 gpt-5.6-sol 是否公开可用及成本。
• 未评估模型在未见过的问题类别上的表现。
• 未验证算法在实际系统中的稳定性和可维护性。