论文核心总结与翻译一、主要内容总结该研究聚焦于大型语言模型（LLMs）在供应链优化领域的运筹学（OR）问题求解应用，核心围绕DeepSeek-R1模型展开系统性评估与优化。1. 研究背景与问题传统运筹学方法（如线性规划、混合整数规划）需领域专家将实际问题转化为数学模型，而GPT-4等主流LLM存在token成本高、幻觉问题突出等缺陷，难以实际部署。DeepSeek-R1作为兼具经济性与高性能的RL增强模型，虽在编码和数学基准测试中表现优异，但在真实OR场景的应用评估仍较匮乏。2. 研究设计评估基准：采用4个关键OR基准数据集（NL4OPT、IndustryOR、EasyLP、ComplexOR），覆盖不同复杂度的线性规划、整数规划等问题。幻觉分类：将模型生成错误划分为三类——属性错误（占比超65%，多为API调用错误）、语法错误、逻辑错误。优化策略：测试四种缓解策略：LLM-as-a-Judge（模型自我评估修正）、少样本学习（FSL）、工具调用（基于RAG的API参考）、多智能体框架（数学家+编码师分工）。3. 核心发现LLM-as-a-Judge效果最优：NL4OPT准确率从78.8%提升至92.3%，IndustryOR从37.0%提升至50.0%，可有效
论文核心总结与翻译一、主要内容总结该研究聚焦于大型语言模型（LLMs）在供应链优化领域的运筹学（OR）问题求解应用，核心围绕DeepSeek-R1模型展开系统性评估与优化。1. 研究背景与问题传统运筹学方法（如线性规划、混合整数规划）需领域专家将实际问题转化为数学模型，而GPT-4等主流LLM存在token成本高、幻觉问题突出等缺陷，难以实际部署。DeepSeek-R1作为兼具经济性与高性能的RL增强模型，虽在编码和数学基准测试中表现优异，但在真实OR场景的应用评估仍较匮乏。2. 研究设计评估基准：采用4个关键OR基准数据集（NL4OPT、IndustryOR、EasyLP、ComplexOR），覆盖不同复杂度的线性规划、整数规划等问题。幻觉分类：将模型生成错误划分为三类——属性错误（占比超65%，多为API调用错误）、语法错误、逻辑错误。优化策略：测试四种缓解策略：LLM-as-a-Judge（模型自我评估修正）、少样本学习（FSL）、工具调用（基于RAG的API参考）、多智能体框架（数学家+编码师分工）。3. 核心发现LLM-as-a-Judge效果最优：NL4OPT准确率从78.8%提升至92.3%，IndustryOR从37.0%提升至50.0%，可有效
 到底是什么？)
