FrontierOR：基准测试大语言模型在大规模优化中设计高效算法的能力

大语言模型虽常用于优化建模，但实际运筹学问题需设计能利用问题结构的可扩展算法。现有基准局限于小规模简化案例。本文提出 FrontierOR，首个系统评估 LLM 在真实大规模优化问题上设计高效算法能力的基准。该基准包含 180 个源自顶级期刊的任务及隐藏专家验证评估套件。实验显示，即便最强模型在单次生成中仅 31% 情况优于 Gurobi，结合测试时演化的智能体在困难任务上也仅达 50% 成功率。