论文理解【LLM-OR】——【LLMOPT】Learning to Define and Solve General Optimization Problems from Scratch
针对 LLM-OR 任务，传统端到端直接生成方法的准确性与问题类型泛化受限；LLMOPT 引入五要素通用表述 + 多指令微调 + KTO 对齐 + 自动测试自纠错的学习式流程，从自然语言描述出发更稳健地定义并求解多类优化问题，在六个真实数据集上取得平均 11.08% 的准确率提升
LPSolversandLargeLanguageModels/index.png)
论文理解【LLM-OR】——【OptiMUS】Scalable Optimization Modeling with (MI)LP Solvers and Large Language Models
OptiMUS 把 “自然语言 → 优化建模与求解” 从单次生成改造成 “结构化问题 + 多智能体协作 + 连接图检索” 的模块化流程，并在更长更难的数据集上验证了这种结构化方法相对端到端 prompting 的优势
LLM-based Agent 技术演进 —— 从 Prompt Engineering 到 Harness
本文梳理了LLM应用工程形态的演进路径，划分为三个阶段：能力增强（Prompt Engineering、RAG、Function Calling、MCP）、流程沉淀（Skill）和系统编排（Harness），并对 Skill 进行深入介绍
论文理解【LLM-OR】——【SIRL】Solver-Informed RL-Grounding Large Language Models for Authentic Optimization M
本文提出第一种针对基于 LLM 的 OR 问题建模和求解任务的 RLVR 方法，其基于求解器得到可验证奖励，设计了 Partial KL 强化目标函数和两阶段奖励课程训练方法，达成了 SOTA 性能
论文理解【LLM-Clarification】——【QDrawer】Asking the Right Question at the Right Time
本文基于 CoDraw 任务对 LLM 澄清提问的触发方式进行探索，发现模型内部不确定性与人类澄清决策相关性弱，使用不确定性阈值触发澄清提问相比模仿人类提问时机，性能和计算效率都更好
