Knowledge Crosswords: Geometric Knowledge Reasoning with Large Language Models
The Hong Kong University of Science and Technology（香港科技大学）；University of Washington（华盛顿大学）；Xi’an Jiaotong University（西安交通大学）；University of Notre Dame（圣母大学）；Carnegie Mellon University（卡内基梅隆大学）
该研究提出几何知识推理基准Knowledge Crosswords，针对现有LLM在该任务上的不足，提出分阶段提示和全量验证方法，其中全量验证方法性能更优且鲁棒性更强，揭示了几何知识推理对LLM的新挑战。
2024-06-25 cs.AI cs.CL
Harnessing LLMs for Educational Content-Driven Italian Crossword Generation
University of Siena（锡耶纳大学）
本研究推出利用GPT-4o等大语言模型、基于含3万多条条目的Italian-Clue-Instruct数据集生成意大利语填字游戏的工具，支持四种线索风格，旨在填补意大利语教育工具空白，增强学习体验并为语言学习设新基准。
2024-11-25 cs.AI cs.CL
ArabIcros: AI-Powered Arabic Crossword Puzzle Generation for Educational Applications
University of Siena（锡耶纳大学）
本研究推出首个AI驱动的阿拉伯语填字游戏生成系统ArabIcros，基于5万余条线索-答案对数据集，结合多类大模型与微调、少/零样本学习及质量校验生成高质量填字内容，可作为教育工具助力语言学习，推动AI与教育交叉领域发展。
2024-01-26 cs.AI cs.CL
CrossWordBench: Evaluating the Reasoning Capabilities of LLMs and LVLMs with Controllable Puzzle Generation
CMU（卡内基梅隆大学）；WUSTL（华盛顿大学）；UIUC（伊利诺伊大学香槟分校）
本文提出 CrossWordBench 基准，通过可控生成文本和图像格式的填字游戏，评估 LLM 和 LVLM 的多模态推理能力，发现推理型 LLM 显著优于非推理模型，而 LVLM 表现较差且与网格解析准确率强相关。
2025-08-11 cs.AI cs.CL cs.CV
From Arabic Text to Puzzles: LLM-Driven Development of Arabic Educational Crosswords
University of Siena（锡耶纳大学）
提出一个利用GPT-4-Turbo等LLM和含5万条目的Arabic-Clue-Instruct数据集，从教育文本自动生成阿拉伯语填字游戏的工具，以促进语言学习和认知发展。
2025-01-19 cs.CL
A Turkish Educational Crossword Puzzle Generator
University of Siena（锡耶纳大学）
本研究推出首款基于大语言模型的土耳其语教育类填字游戏生成器，构建两个专用数据集支撑线索生成，兼具娱乐与教育价值，推动土耳其语智能互动学习工具发展。
2024-05-15 cs.CL
The WebCrow French Crossword Solver
Università degli Studi di Siena（锡耶纳大学）；Université Côte d’Azur（蔚蓝海岸大学）；INRIA（法国国家信息与自动化研究所）；Institut 3IA Côte d’Azur（蔚蓝海岸3IA研究所）
本文将自动填字游戏求解器 WebCrow 2.0 扩展至法语，通过多专家模块整合网络、知识图谱和语言规则，并在两项挑战中证明其速度与准确性超过人类。
2023-12-10 cs.CL
Cryptonite: A Cryptic Crossword Benchmark for Extreme Ambiguity in Language
Tel Aviv University（特拉维夫大学）
目前针对歧义的NLP数据集可以由母语者相对容易地解决。我们介绍了Cryptonite，一个基于神秘填字游戏的大规模数据集，它既具有语言复杂性，又具有自然来源。Cryptonite中的每个例子都是一个神秘的线索，一个简短的短语或句子，具有误导性的表面阅读，其解决需要消除语义，句法和语音文字游戏的歧义，以及世界知识。即使对于经验丰富的解决者来说，隐藏的线索也是一个挑战，尽管顶级专家可以以几乎100%的准确率解决它们。Cryptonite对于当前的模型来说是一项具有挑战性的任务;在470 k个神秘线索上微调T5-Large只能达到7.6%的准确率，与基于规则的线索求解器的准确率（8.6%）相当。
2021-11-01 cs.AI cs.CL cs.LG
Automated Crossword Solving
UC Berkeley（加州大学伯克利分校）；Matthew Ginsberg, LLC（马修·金斯伯格有限责任公司）
我们提出了伯克利填字游戏求解器，自动解决填字游戏的最先进的方法。我们的系统的工作原理是使用神经问答模型为每个填字游戏线索生成答案候选人，然后将循环信念传播与局部搜索相结合，以找到完整的难题解决方案。与现有的方法相比，我们的系统提高了确切的拼图准确性从71%到82%的填字游戏从纽约时报，并获得99.9%的字母准确性无主题的难题。此外，在2021年，我们的系统和现有的Dr.Fill系统的混合体在美国填字游戏锦标赛上首次超越所有人类竞争对手。为了促进对问答和填字游戏的研究，我们分析了我们系统的剩余错误，并发布了一个超过600万个问答对的数据集。
2022-07-03 cs.CL
Italian Crossword Generator: Enhancing Education through Interactive Word Puzzles
Università degli Studi di Siena（锡耶纳大学）
本文利用GPT3和BERT等语言模型，通过监督微调与Zero/Few-shot learning技术，开发了一个能从关键词或文本生成并验证线索的意大利语填字游戏系统，有效提升了教育填字游戏的质量与学习体验。
2023-11-27 cs.AI cs.CL
Decrypting Cryptic Crosswords: Semantically Complex Wordplay Puzzles as a Target for NLP
Stanford University（斯坦福大学）；University of Texas at Austin（德克萨斯大学奥斯汀分校）
本文提出密码线索数据集作为NLP新基准，通过课程学习方法（先在单词重组等任务微调）改进T5，虽未达人类泛化能力，但为处理组合性语言提供新方向。
2025-02-17 cs.AI cs.CL
Cruciform: Solving Crosswords with Natural Language Processing
填字游戏是一种流行的文字游戏，不仅需要大量的词汇，而且还需要广泛的主题知识。搜索每个线索本身就是一项自然语言任务，因为许多线索都包含细微差别、双关语或违反直觉的单词定义。此外，如果没有填字游戏网格本身的约束，确定明确的答案可能非常困难。这项任务对人类和计算机都具有挑战性。我们在这里描述了一个新的填字游戏解决系统，十字形。我们采用了一组自然语言组件，每个组件都返回一个候选词列表，并在给定线索时给出分数。这些列表与谜题网格中的填充交叉点一起使用，以类似于填充博士系统中使用的方式来制定约束满足问题。我们描述了我们的几个实验与系统的结果。
2016-11-23 cs.CL
Language Models can be Logical Solvers
Peking University（北京大学）；Microsoft Azure AI（微软Azure人工智能）
本文提出LoGiPT，一种直接模拟逻辑求解器推理过程并严格遵守其语法的新语言模型，通过新构建的指令调优数据集微调，在两个公开演绎推理数据集上优于现有求解器增强模型和少样本提示方法。
2023-11-10 cs.AI cs.CL
Input Conditioned Graph Generation for Language Agents
Hong Kong University of Science and Technology（香港科技大学）
本文提出面向语言智能体的输入条件化动态图生成方法，用强化学习微调 LLM 按输入生成通信边，在 MMLU、CMMLU 等基准上显著超过静态方法。
2024-06-17 cs.AI cs.CL
Logic-LM: Empowering Large Language Models with Symbolic Solvers for Faithful Logical Reasoning
University of California, Santa Barbara（加州大学圣巴巴拉分校）
本文提出Logic-LM框架，通过将大型语言模型与符号求解器结合，把自然语言转化为符号公式进行推理，并引入自我修正模块，在五个逻辑数据集上显著提升了LLM的逻辑推理性能。
2023-10-19 cs.AI cs.CL
GOLD: Geometry Problem Solver with Natural Language Description
University of Strathclyde（思克莱德大学）
GOLD模型通过分别处理几何图中的符号与几何基元，将提取的几何关系转化为自然语言描述，并利用大语言模型求解几何题，在多个数据集上显著超越此前最佳方法。
2024-05-01 cs.AI cs.CL
ARS: Automatic Routing Solver with Large Language Models
Southern University of Science and Technology（南方科技大学）；City University of Hong Kong（香港城市大学）；Huawei Noah’s Ark Lab（华为诺亚实验室）
针对现实VRP约束复杂、手动设计求解器成本高且现有自动方法覆盖变体有限的问题，本文提出含1000个变体的RoutBench基准，以及基于LLM智能体自动生成约束感知启发式代码的ARS求解器，性能显著优于现有方法。
2025-05-19 cs.AI cs.CL
Non Verbis, Sed Rebus: Large Language Models are Weak Solvers of Italian Rebuses
Center for Language and Cognition (CLCG), University of Groningen（格罗宁根大学语言与认知中心（CLCG））
本文构建大规模意大利语画谜数据集，评估大语言模型的画谜求解能力，发现通用模型表现差、微调提升主要来自记忆，表明画谜仍是评估语言能力与指令遵循的难题。
2024-08-01 cs.AI cs.CL
ExpNote: Black-box Large Language Models are Better Task Solvers with Experience Notebook
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院）；Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）
针对黑盒大语言模型在特定任务上表现不佳的问题，本文提出 ExpNote 框架，通过从训练数据中自动反思记录经验并在测试时检索外部记忆，显著提升模型的下游任务求解能力。
2024-08-12 cs.AI cs.CL
Small Language Models Fine-tuned to Coordinate Larger Language Models improve Complex Reasoning
IIT Delhi（印度德里理工学院）；IIT Bombay（印度孟买理工学院）；DYSL-AI
本文提出DaSLaM框架，用微调的小型语言模型作为分解生成器，以策略梯度优化引导黑盒求解器逐步处理子问题，实现求解器无关的复杂推理，使较小模型性能媲美甚至超越GPT-4。
2024-02-27 cs.AI cs.CL
Tree of Uncertain Thoughts Reasoning for Large Language Models
Carnegie Mellon University（卡内基梅隆大学）；MBZUAI（穆罕默德·本·扎耶德人工智能大学）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）
针对大型语言模型推理中忽略局部不确定性的问题，提出 Tree of Uncertain Thoughts (TouT) 框架，利用 Monte Carlo Dropout 量化中间步骤不确定性并结合全局搜索算法，在规划任务上显著提升了推理精度。
2023-09-14 cs.AI cs.CL cs.LG
A Solver-in-the-Loop Framework for Improving LLMs on Answer Set Programming for Logic Puzzle Solving
本文提出了一种求解器循环框架，通过引导求解器进行指令微调，提升LLM在Answer Set Programming中生成逻辑谜题解答的性能。
2025-12-18 cs.AI cs.CL
From Solvers to Research: Large Language Model-Driven Formal Mathematics at the Research Frontier
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）；Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室）
探讨AI4Math领域进展，指出当前系统处理前沿数学问题有局限。主张从预定义求解器转向研究代理，对该领域进行系统综述，识别现有系统局限性，为AI4Math未来发展规划战略路线图。
2026-11-05 cs.AI cs.CL
Solving Math Word Problems by Combining Language Models With Symbolic Solvers
Stanford University（斯坦福大学）
本文提出将 LLM 增量形式化出的变量与方程交给外部符号求解器，在 GSM8K 上媲美 PAL，并在更难的 ALGEBRA 数据集上绝对提升 20%。
2023-04-16 cs.AI cs.CL
Is ChatGPT a General-Purpose Natural Language Processing Task Solver?
Georgia Institute of Technology（佐治亚理工学院）；Stanford University（斯坦福大学）；Nanyang Technological University（南洋理工大学）；Shanghai Jiao Tong University（上海交通大学）
本研究在20个NLP数据集上评估了ChatGPT的零样本学习能力，发现其在推理任务上表现良好，但在序列标注等特定任务上仍存在局限。
2023-11-19 cs.AI cs.CL
Adaptive-Solver Framework for Dynamic Strategy Selection in Large Language Model Reasoning
School of Computer Science and Engineering（计算机科学与工程学院）；School of Software Engineering（软件学院）；Sun Yat-sen University（中山大学）
提出Adaptive-Solver框架，通过初始评估和自适应模块动态调整LLM推理策略，在保持性能的同时降低API成本高达85%，或在同等成本下提升4.5%准确率。
2024-12-23 cs.AI cs.CL
Steering Language Models with Game-Theoretic Solvers
Google DeepMind（谷歌DeepMind）
该研究提出一个框架，将博弈论均衡求解器应用于LLM对话空间，通过建模玩家、策略和收益，引导模型生成更稳健、收益更高的谈判语言。
2024-12-16 cs.AI cs.CL cs.GT
$\texttt{LM}^\texttt{2}$: A Simple Society of Language Models Solves Complex Reasoning
Microsoft Research, India（微软研究院（印度））；IIT Delhi, India（印度德里理工学院）
针对LLM多步推理中分解与求解脱节的问题，本文提出LM2，用分解器、求解器和验证器三种语言模型经策略学习协调配合，在多个推理基准上显著超越基线。
2024-04-02 cs.AI cs.CL
MCP-Solver: Integrating Language Models with Constraint Programming Systems
TU Wien（维也纳技术大学）
MCP-Solver通过MCP协议将大型语言模型与符号求解器集成，提供Minizinc、PySAT和Python Z3接口，并采用编辑与迭代验证方法确保模型一致性，从而弥补LLMs在形式化求解与推理上的缺陷。
2025-04-06 cs.AI cs.CL cs.LG
Reasoning While Asking: Transforming Reasoning Large Language Models from Passive Solvers to Proactive Inquirers
National Key Laboratory for Novel Software Technology（新型软件技术国家重点实验室）；Artificial Intelligence Research Institute（人工智能研究院）；Shenzhen Institutes of Advanced Technology（深圳先进技术研究院）；University of California, Santa Cruz（加州大学圣克鲁兹分校）；University of Texas, Dallas（德克萨斯大学达拉斯分校）；University of Minnesota（明尼苏达大学）
提出主动交互推理（PIR）范式，通过不确定性感知微调和用户模拟器策略优化，使LLM在推理中主动提问以澄清前提和意图不确定性，在数学推理、代码生成和文档编辑任务上显著提升准确率、通过率和BLEU值，同时减少近半推理计算和不必要交互。
2026-05-28 cs.AI cs.CL
Tree of Thoughts: Deliberate Problem Solving with Large Language Models
Princeton University（普林斯顿大学）；Google DeepMind（谷歌DeepMind）
本文提出思维树（ToT）框架，通过多路径探索、自我评估、前瞻与回溯，使语言模型实现深思熟虑的决策，并在 24 点游戏等任务上显著超越思维链提示。
2023-12-03 cs.AI cs.CL cs.LG
SymbolLKG: Towards Verifiable Logical Reasoning via Logical Knowledge Graph and Symbolic Solvers
Shanghai JiaoTong University（上海交通大学）
该研究针对大型语言模型逻辑推理的缺陷，提出结合逻辑知识图谱与动态求解器路由的神经-符号架构，在基准任务上优于现有方法，实现了可验证的高准确率逻辑推理。
2026-08-28 cs.AI cs.CL
Instantiation-based Formalization of Logical Reasoning Tasks using Language Models and Logical Solvers
Qatar Computing Research Institute（卡塔尔计算研究所）
本文提出Semantic Self-Verification（SSV）方法，通过模型生成具体实例并由求解器验证，将自然语言推理问题准确转化为形式语言，显著提升推理准确率并实现近乎完美的验证精确度，减少人工验证需求。
2025-07-12 cs.AI
AutoSG: LLM-Driven Solver Generation Solely from Task Prompts for Expensive Optimization
Xidian University（西安电子科技大学）；Victoria University of Wellington（威灵顿维多利亚大学）
提出AutoSG框架，通过检索增强生成、单步自优化和无实例评估机制，从自然语言提示直接生成可执行定制求解器，解决昂贵优化中的幻觉、结构破坏和评估成本问题。
2026-05-25 cs.AI cs.CL
PokerGPT: An End-to-End Lightweight Solver for Multi-Player Texas Hold'em via Large Language Model
University of Electronic Science and Technology of China（电子科技大学）；Shenzhen Institute of Advanced Study, UESTC, China（电子科技大学深圳高等研究院）；Sichuan Optical Character Technology Co., Ltd（四川光学字符技术有限公司）
本文提出基于轻量级大语言模型的端到端多人德州扑克求解器 PokerGPT，通过将真实对局文本转换为提示并利用人类反馈强化学习微调，在胜率、模型规模、训练时间和响应速度上优于以往方法。
2024-01-04 cs.AI cs.CL
MacGyver: Are Large Language Models Creative Problem Solvers?
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）；Allen Institute for Artificial Intelligence（艾伦人工智能研究所）；Princeton University（普林斯顿大学）；University of California, San Diego（加利福尼亚大学圣地亚哥分校）；University of Washington（华盛顿大学）
本研究构建了含1600余道现实问题的MACGYVER数据集，对比人类与LLM的创造性问题解决能力，分析了二者的互补性挑战，并验证了新型提示技术提升LLM该能力的潜力，补充了机器智能评估维度。
2025-02-22 cs.AI cs.CL
When Do Symbolic Solvers Enhance Reasoning in Large Language Models?
University College London（伦敦大学学院）；University of Oxford（牛津大学）
本文研究符号求解器如何在大语言模型中增强推理，发现其在需要有限隐式推理但具有充足搜索空间的问题中表现优异，尤其在约束满足问题中提升显著。
2025-12-02 cs.AI
From Natural Language to Solver-Ready Power System Optimization: An LLM-Assisted, Validation-in-the-Loop Framework
Department of Electrical and Computer Engineering（电气与计算机工程系）；University of Southern California（南加州大学）；Department of Electrical Engineering（电气工程系）；University of Texas at Arlington（德克萨斯大学阿灵顿分校）；Interdisciplinary Science Department（跨学科科学系）；Brookhaven National Laboratory（布鲁赫斯国家实验室）
本文提出一种LLM辅助智能体，通过领域感知提示、系统性验证与迭代修复，将电力系统优化的自然语言描述转化为求解器就绪的数学公式并生成可靠解，有效提升了决策效率与解的可行性。
2025-08-11 cs.AI
Large Language Models as End-to-end Combinatorial Optimization Solvers
Eindhoven University of Technology（埃因霍温理工大学）；Singapore Management University（新加坡管理学院）
针对传统组合优化求解依赖特定算法、现有LLM方法通用性受限的问题，提出两阶段训练框架使LLMs直接从自然语言描述生成解决方案，调优7B模型在7个NP难问题上最优性差距1.03-8.20%，优于现有方法。
2025-09-21 cs.AI
OptiMUS: Optimization Modeling Using MIP Solvers and large language models
Stanford University（斯坦福大学）
本文提出基于大语言模型的智能体OptiMUS，可从自然语言描述自动建模并求解MILP问题，并发布NLP4LP数据集，实验显示其求解问题数量接近基本LLM提示策略的两倍。
2023-10-30 cs.AI
Generating News-Centric Crossword Puzzles As A Constraint Satisfaction and Optimization Problem
Nikkei Inc.（日经公司）
本文提出将新闻主题填字游戏自动生成建模为约束满足与优化问题，以尽可能多地纳入新闻词汇，并通过实验验证其可行性及教育应用价值。
2023-08-09 cs.CL cs.DS
AutoSAT: Automatically Optimize SAT Solvers via Large Language Models
Fudan University（复旦大学）；paradigm Inc.（第四范式公司）；Tsinghua University（清华大学）
本文提出 AutoSAT 框架，利用大型语言模型在模块化搜索空间中自动优化 CDCL SAT 求解器的启发式方法，实验证明其能提升求解器性能，并在多个数据集上超越 MiniSat 和 Kissat。
2024-11-13 cs.AI
Improving Auto-Design of Neural PDE Solvers with a Domain-Specific Language
该研究提出ADSL-PDE领域特定语言，通过结构化搜索空间提升神经PDE求解器自动设计的搜索效率与优化稳定性，前十次迭代性能提升超52%。
2026-08-25 cs.AI
SAT-RL: Training Language Models for Logical Reasoning with Symbolic Solvers
University of Toronto（多伦多大学）
本研究提出SAT-RL强化学习框架，训练大型语言模型与Z3等符号求解器交互，通过合成数据、监督预热及工具感知奖励提升逻辑推理性能，在域内外任务均获显著效果。
2026-10-14 cs.AI cs.SC
Type-Aware Retrieval-Augmented Generation with Dependency Closure for Solver-Executable Industrial Optimization Modeling
School of Petroleum, China University of Petroleum (Beijing) at Karamay（中国石油大学（北京）克拉玛依校区石油学院）
本文提出一种类型感知检索增强生成方法，通过强制依赖闭合确保工业优化建模的可执行性，有效解决大型语言模型在复杂工程优化中的执行难题。
2026-03-03 cs.AI cs.CL cs.SE
Can LLMs plan paths with extra hints from solvers?
Karlsruhe Institute for Technology（卡尔斯鲁厄理工学院）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本研究探索通过整合求解器生成的四类反馈（含视觉反馈）并结合微调，提升大语言模型的机器人路径规划能力，实验显示该方法可改善中等难度问题的求解效果，但难问题仍待突破。
2024-10-07 cs.AI cs.CL cs.RO
Solver-Informed RL: Grounding Large Language Models for Authentic Optimization Modeling
Cardinal Operations, China（中国卡迪纳尔运营公司）；Shanghai University of Finance and Economics（上海财经大学）；The University of Hong Kong（香港大学）；Antai School of Economics and Management, Shanghai Jiao Tong University（上海交通大学安泰经济管理学院）；Department of Management Science and Engineering, Stanford University（斯坦福大学管理科学与工程系）
SIRL通过强化学习与外部优化求解器结合，提升大语言模型在优化建模中的准确性与实用性。
2025-12-22 cs.AI
A Reality Check of Language Models as Formalizers on Constraint Satisfaction Problems
Drexel University（德雷塞尔大学）；University of Pennsylvania（宾夕法尼亚大学）；Allen Institute for AI（艾伦人工智能研究所）
研究评估了语言模型作为形式化工具在约束满足问题中的表现，发现其在15种模型-数据集组合中表现劣于作为求解器，尽管形式化更具可验证性和可解释性。
2026-08-13 cs.CL
PEARL: Solver-in-the-Loop Interactive Optimization Modeling from Natural Language
研究旨在解决优化建模问题，提出PEARL系统，通过在循环中使用Python执行和数学编程求解器，学习优化策略，在多轮工具集成设置下提升求解率，在优化建模任务中表现优于强大基线。
2026-07-22 cs.AI cs.LG
Discovering heuristics in a complex SAT solver with large language models
School of Data Science, Fudan University, Shanghai, China（复旦大学数据科学学院，上海，中国）；Key Laboratory of System Software, Institute of Software, Chinese Academy of Sciences, Beijing, China（中国科学院软件研究所系统软件重点实验室，北京，中国）；SeedMath Technology Limited, Beijing, China（SeedMath技术有限公司，北京，中国）
提出AutoModSAT框架，结合模块化求解器设计、无监督提示优化和进化算法，利用LLM自动优化SAT求解器，在多个数据集上性能提升40%。
2026-06-06 cs.AI cs.LO
Decoding Stumpers: Large Language Models vs. Human Problem-Solvers
Hebrew University（希伯来大学）；Technion（以色列理工学院）；Xoltar Inc（Xoltar 公司）；Google Research（谷歌研究院）
本文通过对比四种最新大型语言模型与人类在单步直觉难题上的表现，发现LLMs解题能力已超越人类，但人类在验证答案方面仍更优，为提升LLMs认知与问题解决潜力提供了新见解。
2023-10-25 cs.CL cs.HC
Beyond Verified Answers: Solver-Informed Self-Distillation for Bootstrapping Operations Research Language Models
Shanghai Jiao Tong University（上海交通大学）；Fudan University（复旦大学）
针对运筹学语言模型训练中监督受限、信用分配粗糙和风格不匹配的问题，提出SOLID框架，利用求解器工件和自蒸馏实现无需验证答案的自我改进，提升解决方案准确性。
2026-09-11 cs.AI math.OC
OptiMUS: Scalable Optimization Modeling with (MI)LP Solvers and Large Language Models
Stanford University（斯坦福大学）；Institute for Computational and Mathematical Engineering, Stanford University（斯坦福大学计算与数学工程研究所）
本文提出基于大语言模型的智能体OptiMUS，能根据自然语言描述构建并求解（混合整数）线性规划问题，通过模块化结构处理长文本与复杂数据，在简单和困难数据集上分别比现有最优方法提升20%和30%以上。
2024-02-15 cs.AI cs.MA
Fleet of Agents: Coordinated Problem Solving with Large Language Models
EPFL（洛桑联邦理工学院）；Aarhus University（奥胡斯大学）；TUHH（汉堡工业大学）
提出 Fleet of Agents（FoA）框架，用多智能体动态树搜索与遗传式粒子滤波协调 LLM 推理，在三项基准上以约四成 SOTA 成本实现约 5% 的质量提升。
2025-05-10 cs.AI cs.CL cs.LG
