优化前先提问：用于交互式优化的动态建模前澄清

大型语言模型（LLMs）正越来越多地用于根据自然语言问题描述构建优化模型，但现实中的运筹学（OR）请求往往并不完整：缺失目标、约束或业务规则都可能改变最终的数学规划。现有评估大多假设规范是完整的，因此忽略了智能体在建模之前是否知道何时需要澄清。我们提出 OR-Clarify，一个用于建模前澄清的基准。每个任务都提供一段部分公开的问题描述，隐藏结构化槽位，并通过与模拟用户的受限交互来评估智能体。该基准支持开放式和选择式两种澄清方式，并衡量槽位恢复、停止行为、隐含假设以及交互成本。我们进一步提出 InterOPT，一种两阶段框架，用于识别尚未解决的、对建模至关重要的缺口，并利用这些缺口来指导是提出下一个问题还是停止。在我们的选择式实验中，InterOPT 在精确槽位恢复方面显著优于所有基线；在开放式设置下，它仍与强大的先前方法相当。总体而言，OR-Clarify 和 InterOPT 将 OR 辅助重新定义为一种选择性的完整性决策：在需要时澄清，准备好时停止，并量化仍缺失的内容。