Ask Before You Optimize: Dynamic Pre-Formulation Clarification for Interactive Optimization
作者: Sihan Ge, Yichen Lin, Chenyu Zhou, Jianghao Lin, Tao Yao, Dongdong Ge
分类: math.OC, cs.AI
发布日期: 2026-09-04
备注: 16 pages, 4 figures, 4 tables
💡 一句话要点
提出OR-Clarify与InterOPT以解决优化模型中的不完整性问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 运筹学 动态澄清 优化模型 交互优化 语言模型 信息恢复 决策支持
📋 核心要点
- 现有方法在处理运筹学请求时，常常假设问题描述是完整的，忽视了实际应用中的不完整性问题。
- 论文提出了OR-Clarify基准和InterOPT框架，通过动态澄清未解决的建模缺口来优化交互过程。
- 实验结果表明，InterOPT在精确槽恢复方面显著优于基线方法，并在开放式设置中保持竞争力。
📝 摘要（中文）
大型语言模型（LLMs）在从自然语言问题描述中制定优化模型方面的应用日益增多，但现实中的运筹学请求往往不完整：缺失的目标、约束或商业规则可能改变最终的数学模型。现有评估大多假设完整的规范，因此忽视了代理在建模前是否知道何时需要澄清。我们引入了OR-Clarify，一个用于预建模澄清的基准。每个任务呈现部分公共问题描述，隐含结构化的隐藏槽，并通过与模拟用户的有限交互来评估代理。该基准支持开放式和基于选择的澄清，并衡量槽恢复、停止行为、沉默假设和交互成本。我们进一步提出了互动优化（InterOPT），一个两阶段框架，识别未解决的关键建模缺口，并利用这些缺口指导是否询问下一个问题或停止。在基于选择的实验中，InterOPT在精确槽恢复方面显著优于所有基线；在开放式设置中，它与强大的先前方法保持竞争力。OR-Clarify和InterOPT共同将运筹学辅助重新框定为选择性完整性决策：在需要时澄清，准备好时停止，并量化剩余缺失内容。
🔬 方法详解
问题定义：本论文旨在解决运筹学优化模型中因问题描述不完整而导致的建模困难。现有方法通常假设输入是完整的，未能有效处理缺失的目标、约束或商业规则。
核心思路：论文的核心思路是通过引入OR-Clarify基准和InterOPT框架，动态识别并澄清建模过程中未解决的关键问题，从而提高模型的准确性和有效性。
技术框架：整体架构分为两个阶段：第一阶段是通过与模拟用户的交互识别缺失信息，第二阶段则根据识别的缺口决定是否继续询问或停止。主要模块包括问题描述解析、槽恢复、交互决策等。
关键创新：最重要的技术创新在于引入了动态澄清机制，使得模型在建模前能够主动识别并请求必要的信息，而不是被动接受不完整的输入。这一机制与现有方法的本质区别在于其交互性和主动性。
关键设计：在设计中，采用了多种评估指标，如槽恢复率、交互成本等，以量化模型的性能。此外，选择性询问的策略通过分析用户反馈和问题描述的完整性来优化交互过程。
🖼️ 关键图片
📊 实验亮点
在基于选择的实验中，InterOPT在精确槽恢复方面的表现显著优于所有基线，具体提升幅度达到XX%（具体数据待补充）。在开放式设置中，InterOPT仍然与强大的先前方法保持竞争力，展示了其在不同场景下的适应性和有效性。
🎯 应用场景
该研究的潜在应用领域包括智能决策支持系统、自动化运筹学建模工具以及人机交互优化等。通过提高模型对不完整信息的处理能力，能够显著提升实际业务场景中的决策效率和准确性，未来可能对运筹学和人工智能领域产生深远影响。
📄 摘要（原文）
Large language models (LLMs) are increasingly used to formulate optimization models from natural-language problem descriptions, yet realistic operations research (OR) requests are often incomplete: missing objectives, constraints, or business rules can change the resulting mathematical program. Existing evaluations largely assume a complete specification and therefore overlook whether an agent knows when clarification is needed before modeling. We introduce OR-Clarify, a benchmark for pre-formulation clarification. Each task presents a partial public problem description, withholds structured hidden slots, and evaluates agents through bounded interaction with a simulated user. The benchmark supports both openended and choice-based clarification, and measures slot recovery, stopping behavior, silent assumptions, and interaction cost. 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. In our choice-based experiments, InterOPT substantially outperforms all baselines in exact slot recovery; in the open-ended setting, it remains competitive with strong prior methods. Together, OR-Clarify and InterOPT reframe OR assistance as a selective completeness decision: clarify when needed, stop when ready, and quantify what remains missing.