通过记忆增强大语言模型实现鲁棒优化的自动重构

鲁棒优化在不确定性决策中具有重要价值，但其应用受限于需手动将不确定模型重构为确定性形式。针对现有大语言模型在此任务中缺乏精确多步推理能力的问题，本文提出了 AutoRO-Bench 基准测试集及 AutoREM 框架。AutoREM 是一种无需调优的记忆增强方法，通过反思过往失败轨迹自主构建结构化经验记忆。实验表明，该方法在不同分布数据集及多种基座模型上均显著提升了重构的准确率与效率。