DecompGym基准评估LLM智能体设计分解算法

2026年10月30日，Sikai Cheng等作者在arXiv发布基准DecompGym，用于评测LLM智能体设计分解算法的能力。该基准包含来自9个问题族的81个实例，其中5个问题族对应Benders分解、4个对应列生成；智能体需为指定方法编写求解器。每个求解器须满足三项标准：在60秒时限内执行；数值可行并通过方法审计（由LLM评审读取求解器代码）；目标值处于存储最优目标值的1%以内。评测覆盖在编码智能体工具中运行的GPT、Claude、Gemini共12个模型。结果显示，首次尝试时有两个模型解出全部实例，七个模型解出超过90%；Benders分解的失败多为解缺失或次优，列生成最常见的失败是方法审计被拒。在最多十次尝试中，作者比较了独立重生成与先诊断失败的反思式重试，后者成功率为66%，高于前者的39%。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。