ConstraintBench：基准测试大语言模型在直接优化中的约束推理能力

本文提出 ConstraintBench，旨在评估大语言模型在无求解器辅助下，直接解决完全指定的约束优化问题的能力。该基准涵盖十个运筹学领域，所有真值解均经 Gurobi 验证。实验发现，可行性而非最优性是主要瓶颈：最佳模型的约束满足率仅为 65.0%，且无模型在联合可行性与最优性上超过 30.5%。研究还揭示了持续时间约束误解、实体幻觉等系统性失败模式，并公开了相关评估基础设施。