arXiv · cs.AI· Ni Zhang, Jianan Zhou, Yue-Jiao Gong, Zhiguang Cao·· 6 小时前
LLM自引导推理框架提升车辆路径问题错误诊断准确率
Self-Guided LLM Reasoning for Error Diagnosis in Vehicle Routing Problems
arXiv:2610.21393v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Ni Zhang, Jianan Zhou, Yue-Jiao Gong, Zhiguang Cao
研究任务与主要进展
研究提出一种自引导LLM推理框架，让LLM自主生成代码，为车辆路径问题实例的错误诊断提供结构化信息。基于论文摘要，该框架在多种问题设置和LLM实验中的错误检测准确率显著提升，接近完美水平，但对复杂实例和高推理负担错误仍有限制。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org