在運籌學與人工智能交匯的領域，優化建模是將自然語言問題轉化為數學求解器的關鍵橋樑。近年來，大語言模型（LLM）的進步推動了自動優化建模的發展，然而現有方法在整個建模流程中缺乏顯式驗證機制，導致早期階段的錯誤沿流水線逐級累積，最終嚴重降低建模精度。針對這一核心痛點，來自研究團隊的Ziyang Fang等人提出了TriVAL框架，通過三重驗證機制在語義規範、數學公式和代碼生成三個階段分別進行顯式驗證，從而確保建模過程的忠實性。
TriVAL的設計理念是“構造-驗證-修訂”循環。在每個階段，系統首先根據前一步輸出生成當前階段的結果，隨後依據該階段特有的質量準則進行評估。若結果不符合要求，則自動觸發修訂流程，直至通過驗證。這種階段性把關有效阻止了錯誤向後續環節蔓延，顯著提升了最終建模的可靠性。與一次性生成或僅在後端檢查的方法相比，TriVAL將驗證嵌入流水線的每個關鍵節點，實現了更細粒度的質量控制。
具體而言，在語義規範階段，驗證機制檢查生成的問題描述是否準確反映用户意圖；在數學公式階段，驗證確保方程和約束在語法和語義上正確，且邊界條件合理；在代碼生成階段，驗證則檢查代碼是否可編譯、能否在測試實例上正常運行並返回合理結果。這種三層檢驗確保了從自然語言到可執行解法的全過程忠實轉換。
為了在更具挑戰性的組合優化問題上評估自動優化建模能力，該研究同時推出了NL4COP基準測試。該基準包含50種不同類型問題的150個實例，其決策邏輯更復雜、約束耦合更緊密、建模要求遠高於現有基準（如NL4Opt等）。問題類型涵蓋旅行商問題、車輛路徑規劃、背包問題、調度問題、圖着色等經典組合優化難題。實驗結果顯示，在NL4COP以及多個已有基準上，TriVAL一致地超越了當前最先進的方法，尤其是在最困難的問題上取得了最大幅度的性能提升。這表明TriVAL不僅能夠應對常規優化問題，更擅長處理那些對建模精度要求極高的複雜場景。值得注意的是，TriVAL的性能提升隨着問題複雜度的增加而更加顯著，説明其驗證機制在挑戰性環境下尤為有效。
TriVAL的提出為LLM驅動的自動優化建模提供了一種新的範式。通過顯式驗證的引入，它有效緩解了流水線中錯誤積累的問題，使模型能夠更可靠地從自然語言描述跨越到精確的優化求解。團隊還在論文中開源了代碼和基準數據集，以促進該領域的可復現研究。未來，該框架有望在供應鏈優化、資源調度、路徑規劃等真實決策領域發揮重要作用，推動自動優化建模技術走向實用化。完整論文及代碼已公開於arXiv（ID: 2605.23966），供研究者參考與復現。