FM4OR：当基础模型遇上组合优化与推理——中山大学的跨领域研究框架

中山大学OLLab团队开源的FM4OR（Foundation Models for Optimization and Reasoning）项目，系统梳理基础模型在组合优化和推理任务的最新进展，涵盖车辆路径规划、知识图谱推理等核心场景，整合NeurIPS、ICLR、ACL等顶会成果，为研究者提供完整技术路线参考。

组合优化问题（如旅行商、车辆路径规划）依赖传统算法，但面对大规模动态场景力不从心；大模型推理能力强却易幻觉。FM4OR瞄准交叉领域，整合顶会成果提供全景技术框架。

基础模型全景介绍

回顾NLP、CV、图学习领域应用，引出组合优化与图推理场景。

组合优化方法

• 跨任务专家组合模型（ICLR 2026）
• 大模型赋能协同进化融合
• 超图Transformer预训练
• OPTFM（NeurIPS 2025）：多视图图Transformer

推理增强

• 民主化推理（EMNLP 2023）：小模型接近大模型表现
• 自适应求解器（Information Processing and Management 2025）
• 关系链探索（ACL 2026 Findings）
• 策略引导规划（ACL 2026 Findings）
• G1（NeurIPS2025）、G-Reasoner（ICLR2026）：强化学习图推理框架

• 预训练与微调一体化（Science China: Mathematics 2024）
• 自然语言与结构化问题桥梁（ACL2026 Findings基准）
• 多智能体协作（ICML2024 Foundation Agents）

• 物流供应链：提升路径规划效率
• 智能决策：优化推荐与调度
• 科学计算：支持材料设计、药物发现
• AI系统优化：加速推理、自动化提示工程

FM4OR为该领域提供路线图，是研究者入门起点、工程师解决问题参考。随着基础模型演进，AI在复杂决策优化任务有望质的飞跃。