NL2OR：使用自然语言输入解决复杂的运筹学问题

研究评估了数据增强和CodeT5模型在数学程序合成中的效果，CodeT5的执行准确率为0.73，显著高于ChatGPT的0.41和Codex的0.36。

使用自然语言作为编程语言，通过Learning to Program方法优化复杂任务的问题解决能力，证明其性能超过直接零样本测试表现18.3%。

提出了一种基于生成问题文本的框架，利用DeBERTa编码器构建解决方案表达式，改善数学推理和模型的鲁棒性。

大型语言模型（LLMs），特别是GPT-4，能够有效执行用自然语言描述的程序，但在繁重的数值计算中表现不佳。

研究比较了GPT-3.5、GPT-4和Llama-2-7b在零射和单射设置下的性能，发现GPT-4在单射场景中表现卓越，F1分数达到0.63。

大型语言模型在教育和指导方法领域取得快速进展，MAmmoTH-13B成为解决NCERT数学问题的可靠基准。

研究探讨了LLMs在数学问题求解方面的能力，发现其在奥林匹克级难度和复杂大学水平问题上仍面临挑战，需进一步研究提升数学推理能力。

使用OptLLM框架将自然语言查询转化为数学问题，实验证明其在各种LLM上有效，经过精调的模型准确性更高。