精选今天0 投票
YUKTI：从自然语言情境到鲁棒且可验证的决策——不确定性类型命题信息检索、假设鲁棒帕累托前沿与遗憾证书
当语言模型“假装”会计算：YUKTI 如何终结单点决策的脆弱性
当前主流的大语言模型（LLM）决策管线（如 NL4Opt、OptiMUS、ORLM 等）遵循一个固定范式：将自然语言描述的情境转化为单一目标函数和点值系数，然后求解一次。对于分配真实预算、精力或临床注意力的决策，这种“自信”恰恰是失败根源——每个被客观化的数字都是一项假设，计划仅在猜测完全正确时最优，本质上只是计算的模仿。
YUKTI 彻底改变了自动公式化的目标。其核心表示是一个类型化命题图，图中的关系携带形状先验、系数不确定性和来源追踪。YUKTI 将每个阶段路由到精确求解器、非线性求解器或进化求解器，通过分布帕累托交接耦合各阶段，并引入假设鲁棒帕累托前沿——通过重采样假设（包括结构 epsilon 污染）来评估每个行动存活的频率（rho）。研究证明，rho 恰好是决策遗憾的一个精确因子，同时提供可审计的追踪性，并在无合适基准时合成忠实的数据基础（SRJANA）。
验证结果：遗憾降低超 90%
YUKTI 在三类场景中完成验证：
- 受控错误设定下：鲁棒折中方案相比朴素点计划，将平均遗憾和尾部遗憾降低 超过 90%；
- 受监管商业决策：在合法行动空间内优化，并以欧元量化下行风险价格；
- 真实公开数据集（41,188 个决策）：样本外回测比历史现状改进 34%，比朴素点规则改进 4%，同时显著降低优化器诅咒。
LLM 是公式化者，不是求解器
研究特别指出，即使给 LLM 提供正确的数字和单一目标优化，其保留遗憾仍约为 YUKTI 的 47 倍。这意味着：LLM 擅长将情境转化为公式，但本身并非可靠的求解器。在长程因果耦合下，前向交接变得不可靠，必须退化为逆向归纳的因果策略。
YUKTI 并未追求基准测试的 SOTA 排名，而是提供一种全新的决策范式：承认不确定性、量化假设风险、并生成可验证的鲁棒方案。对于医疗资源分配、预算规划等高风险场景，这一思路或许比追求更高准确率的模型更为关键。