PEARL: система с solver-in-the-loop превзошла DeepSeek-V3.2 с 685B параметров в оптимизации
Научная группа опубликовала в архиве препринтов arXiv работу, посвящённую системе PEARL (Solver-in-the-Loop Interactive Optimization Modeling). Система предназначена для автоматического перевода описаний задач оптимизации на естественном языке в математические формулировки и исполняемый код для решателей.
Большинство существующих подходов к генерации оптимизационных моделей используют одношаговый принцип: нейросеть один раз выдаёт результат без проверки его работоспособности. В отличие от них, PEARL работает итеративно: система запускает модель в среде Python, получает отклик от математического решателя, выявляет ошибки и корректирует формулировку. Цикл повторяется до получения корректного решения.
Авторы подчёркивают, что реальная оптимизационная работа всегда интерактивна — аналитик многократно запускает, отлаживает и исправляет модель. PEARL воспроизводит этот процесс, автоматически решая, когда тестировать частичную модель, как исправлять ошибки по логам решателя и когда остановиться.
Эксперименты проводились на нескольких наборах задач оптимизации. Система на базе сравнительно небольшой модели Qwen3 с 4 миллиардами параметров (PEARL-Qwen3-4B) продемонстрировала существенное повышение доли успешно решённых задач по сравнению с одношаговыми и усиленными инструментами базовыми решениями.
Наиболее показательный результат: PEARL-Qwen3-4B превзошла по макро- и микросредней точности модель DeepSeek-V3.2, имеющую 685 миллиардов параметров. Таким образом, интерактивный подход с участием решателя позволяет малым моделям обходить значительно более крупные аналоги.
Разработка открывает путь к созданию доступных и эффективных автоматизированных систем оптимизации, которые могут использоваться в логистике, финансах, производстве и других областях, где требуется быстрое построение точных математических моделей.
