최적화·제약 모델링은 물류·의료·공급망 등에서 중요하지만, 현재 대형언어모델은 특히 조합 최적화 문제에서 구조적으로 일관되지 않거나 불완전한 정식화를 자주 만들어낸다. 연구진은 Text2Zinc 데이터셋의 시드 설명과 LLM으로 생성한 전문가 페르소나를 활용해 검증된 파이썬 솔버 스크립트가 딸린 최적화 문제 500개를 합성하고 이를 Chroma 벡터DB에 저장한 뒤, 추론 시 의미적으로 유사한 문제를 검색해 랭체인 LLM 에이전트의 맥락 정보로 활용하는 검색증강생성(RAG) 파이프라인을 제안했다. Qwen 3 30B Instruct 모델 기준 3개 벤치마크에서 정확도가 NL4OPT는 40%→72%, MAMO Easy는 40%→56%, MAMO Complex는 32%→56%로 크게 향상됐다. 이는 의미적으로 검증된 합성 예제와 검색증강 기법의 결합이 값비싼 재학습 없이 파인튜닝을 대체할 실용적 경로가 될 수 있음을 시사한다.

• •Text2Zinc 시드와 LLM 생성 전문가 페르소나로 검증된 최적화 문제 500개 합성, Chroma 벡터DB에 색인
• •추론 시 의미적으로 유사한 문제를 검색해 랭체인 LLM 에이전트의 맥락으로 제공하는 RAG 파이프라인 구조
• •Qwen 3 30B Instruct 기준 NL4OPT 정확도 40%→72%로 향상
• •MAMO Easy 40%→56%, MAMO Complex 32%→56%로 각각 향상
• •합성 데이터셋 생성+검색증강이 비용이 큰 파인튜닝의 실용적 대안이 될 수 있음을 시사