PEARL은 자연어로 기술된 최적화 문제를 수리 모델과 솔버 코드로 변환할 때, 한 번에 답을 내는 기존 방식 대신 Python 실행과 수리계획 솔버를 루프 안에 넣어 '풀고-디버그하고-수정하는' 상호작용형 모델링을 학습하는 시스템이다. 부분 모델을 언제 테스트할지, 솔버 진단으로 어떻게 수정할지, 언제 멈출지를 스스로 학습하며, 실행 결과·실현가능성 신호·해 검증을 활용해 최종화 전에 수식과 코드를 개선한다. 다양한 벤치마크에서 원샷·도구 증강 베이스라인 대비 검증된 해결률을 크게 높였고, 특히 4B 규모의 PEARL-Qwen3-4B가 685B의 DeepSeek-V3.2를 매크로·마이크로 평균 정확도 모두에서 앞섰다. 소형 모델도 반복적 도구 활용 학습으로 초대형 모델을 능가할 수 있음을 보여준다.
- •자연어 최적화 문제를 솔버 피드백 기반 solve-debug-revise 루프로 푸는 상호작용형 시스템 PEARL 제안
- •고정 수리 워크플로우가 아니라 테스트 시점·수정 방법·종료 시점을 학습으로 습득
- •실행 결과, 실현가능성 신호, 해 검증을 활용하는 멀티턴 도구 통합 환경에서 동작
- •원샷·도구 증강 베이스라인 대비 검증된 해결률 큰 폭 향상
- •4B 규모 PEARL-Qwen3-4B가 685B DeepSeek-V3.2를 매크로·마이크로 평균 정확도 모두에서 능가
PEARL: Solver-in-the-Loop Interactive Optimization Modeling from Natural Language
본문 미리보기
arXiv:2607.18256v1 Announce Type: new Abstract: Optimization modeling is the process of translating real-world decision problems, often described in natural language, into formal mathematical formulations and executable solver code. While recent advances in large language models have shown promise in automating this process, most existing approaches remain one-shot: a model produces a formulation once, without executing it, conditioning on solver feedback, or iteratively revising errors. This s
전체 내용이 궁금하다면?
원문을 직접 읽어보세요