【LLM在优化建模的现状与挑战】过去两年LLM在「自然语言到数学模型」「自然语言到求解器代码」上进步迅速能读懂题目写出MIP公式调用求解器看似具备初步优化建模能力。但在真正的工业规模问题上仅做到这些远远不够。真正的难题是设计能在大实例上高效运行的算法即便MIP模型正确交给通用求解器也可能无法在一小时内获得可证明的高质量解所以现实中的OR工程师仍需编写多种算法。【FrontierOR面向大规模优化算法设计的评测基准】近日来自麻省理工学院等机构的研究者提出了FrontierOR这是一个面向大规模优化算法设计能力的LLM评测基准。不同于传统只考察「能否建模」或「能否调用求解器」的benchmarkFrontierOR关注LLM能否像OR研究者和工程师一样针对复杂问题结构设计出可扩展、高质量且高效率的算法。其核心问题是今天最强的大模型能否从真实问题出发自主设计有竞争力的高效算法能否不再只是「调用求解器」而是根据问题结构选择合适策略这项工作把LLM - for - OR的评估重心从「会不会写模型」推进到「会不会设计算法」是大模型走向真实工业决策系统的关键门槛。【研究背景现有基准的不足与FrontierOR的提出】已有不少基准关注LLM在优化问题中的建模能力但难以回答模型能否在求解器性能饱和的大规模实例上主动创造更有效算法路径这一贴近工业部署的问题。在运筹优化实践中通用求解器只是起点真实问题有特殊结构优秀的算法工程师会利用这些结构设计算法。因此一个真正面向OR的大模型基准需满足题源真实、实例大、评测严格三个条件FrontierOR正是在此背景下提出它将过去三十多年OR文献中的复杂问题转化为可自动评测的算法设计任务。【研究方法FrontierOR的构造流程】FrontierOR的构造流程可概括为四步。第一步是真实文献选题数据源覆盖1992 - 2025年间20余家OR期刊的180篇论文入选任务需问题定义清晰且体现专用算法相对通用求解器的工程价值。第二步是标准化任务组件将每篇论文转化为自然语言问题描述、数学模型、Gurobi参考实现、参考解和独立可行性检查器。第三步是两层质量验证先通过自动交叉验证检查Gurobi参考解与可行性检查器是否一致再由15名OR专家多轮审核核查模型、描述、代码与检查器的一致性。第四步是Hard子集筛选从180个任务中选出50个更难任务聚焦特定场景。【评测协议强调端到端能力】评测流程强调端到端能力。模型先根据自然语言任务生成完整算法程序程序先在小实例上进行可执行性、可行性和质量预筛若不满足条件则不进入大实例评测。通过预筛后程序在多个大规模实例上运行并与专家审核过的Gurobi参考解对照。Frontier OR使用四项指标Execution rate可执行率、Feasibility可行性、Solution quality解质量和Quality - Time EfficiencyQTE质效综合其中QTE最严格。【实验结果模型表现与能力分析】1.One - shot可执行性接近上限在one - shot设置中模型需从零生成完整算法程序考察其综合能力。结果显示最强模型的可执行性很高如GPT - 5.3 - Codex在Full全集上的Execution rate达到0.98Gemini 3.1 Pro与Claude Opus 4.6也都达到0.93但可执行不等于会解Feasibility、Solution quality和QTE仍显著低于Execution rate。从整体分层看前沿模型在Full全集与Hard子集上都显著优于其他主流模型Hard子集进一步拉开了前沿模型之间的算法能力差距。2.算法选择出现分化研究团队分析模型生成程序的求解方法将其分为五类。结果显示较弱模型高度依赖纯求解器调用而Claude Opus 4.6的方法分布最均衡。非纯求解器方法在QTE指标上更有优势意味着「方法多样性」是竞争力。3.失败模式迁移从「建模不会」到「搜索不够深」失败模式分析表明随着模型能力提升错误发生位置后移较弱模型在前期环节出错较强模型新的瓶颈转向启发式搜索的深度与质量这与人类算法工程师的成长路径相似。FrontierOR能告诉我们「谁得分更高」和「能力瓶颈在哪里」对下一代LLM - for - OR系统设计很重要。【自演化提升模型算法性能】现实中的算法设计是迭代过程FrontierOR评估了三种测试时自演化框架OpenEvolve、EoH和CORAL。实验以GPT - 5.3 - Codex单次生成的程序为初始种子限制每个框架30次候选程序。结果显示在三种自演化框架下最优候选程序在各项指标上均显著超越单次生成QTE从one - shot的0.15提升至最高0.50。其中CORAL凭借多智能体共享记忆机制取得最稳定提升QTE达到0.50OpenEvolve紧随其后QTE为0.49EoH也有改进但性能波动大QTE为0.33。进一步观察演化轨迹发现速度维度易在前5次尝试内突破Gurobi基线解质量维度提升更难这说明LLM的自演化需要记住历史失败、识别瓶颈、调整搜索方向并权衡速度与质量。【未来应用为智能优化系统提供方向】FrontierOR的价值不止于给模型排榜更在于为下一代智能优化系统提供研发方向。若大模型能读懂业务需求、识别优化结构、调用或组合算法技能并自我改进有机会成为工业决策系统中的「AI算法工程师」。在供应链、能源、交通与城市系统等场景中这类系统可发挥重要作用。更进一步FrontierOR暗示了agentic optimization的未来形态LLM将成为算法设计智能体。【展望提升大模型OR算法工程能力的方向】为提升大模型的OR算法工程能力可从以下方面努力构建OR算法设计技能库将常见策略沉淀成可检索、可组合、可执行的技能模块发展更可靠的verifier/evaluator将执行反馈转化为设计方向提升自演化的预算调度能力学会合理安排评测推动LLM与传统优化器深度融合LLM负责发现结构与设计算法传统求解器负责局部精确优化与可信验证。总结来看FrontierOR为大模型的OR算法工程能力画出了系统化地图大模型虽能写出部分有竞争力的优化算法但上限取决于结构发现、搜索设计和自我进化能力。那么大模型能否成为真正的算法设计者呢