자연어로 된 모델링을 기반으로하는 인터랙티브 최적화 솔버

최근 대규모 언어 모델(LLM)의 발전으로 인해 실제 세계의 의사결정 문제를 자연어로 표현한 후 이를 수식적 수학적 공식으로 변환하고, 실행 가능한 해결책 코드로 변환하는 프로세스를 자동화하는 데 hứ부가 있는 결과가 나왔지만, 대부분의 기존 접근 방식은 한 번에 한 번만 수행된다. 즉, 모델은 한 번에 한 번만 수식화를 생성하고, 해결책의 피드백을 바탕으로 조건을 설정하지도 않고, 오류를 반복적으로 수정하지도 않는다. 이것은 실제 세계의 최적화 모델링과는 대조적이다. 실제 세계의 최적화 모델링은 반드시 상호 작용적이고, 반복적으로 해결-디버그-수정 사이클을 거쳐 진행된다. PEARL이라는 시스템을 제시하는데, 이는 Python 실행과 수학적 프로그래밍 해결책을 사용하여 반복적인 루프 내에서 작동한다. PEARL은 고정된 수리 workflow에 의존하지 않고, partial 모델을 테스트할 때, 해결책의 진단을 바탕으로 수정할 때, 그리고 중단할 때 어떤 때를 알 수 있다. PEARL은 다양한 최적화 벤치마크에서, 강력한 한 번에 한 번만 수행하고, 도구에 보강된 baseline보다 상당히 개선된 검증된 해결책률을 달성한다. 특히, PEARL-Qwen3-4B 모델은 대규모 DeepSeek-V3.2-685B 모델보다 최적화 모델링 작업에서 macro-와 micro-평균 정확도에서 우수한 성능을 보인다.