Pram：多模态语言模型求解多商品流问题的新范式

ICLR 2026录用论文Pram提出创新"分而治之"框架，利用多模态大语言模型解决复杂多商品流优化问题，在计算效率和求解质量上实现显著突破，为运筹优化领域注入AI驱动新方法论。

多商品流问题（MCFP）是运筹学经典难题，广泛应用于物流规划、交通调度等场景。传统方法如线性规划、启发式算法在大规模实例上面临计算复杂度高、收敛慢的挑战。大语言模型在推理规划任务潜力巨大，但如何应用于结构化优化问题仍是开放课题。

Pram框架采用"Divide, Harmonize, Then Conquer"三步走策略：

1. Divide：利用多模态视觉理解将网络拓扑转为图表示，智能划分独立子网络；
2. Harmonize：通过和谐层跨子网络注意力机制协调依赖关系，将数值目标转为语义约束；
3. Conquer：分配给后端求解器（传统或神经）处理，整合子问题解。 技术亮点包括图结构感知多模态编码、渐进式推理链、自适应求解策略选择。

在标准MCFP基准数据集（合成网络+真实物流数据）评估显示：

• 求解质量：多数实例与商用求解器相当或更优，大规模实例（节点>1000）优势明显；
• 计算效率：大型实例从数小时收敛降至分钟级；
• 消融实验：移除视觉编码模块分解质量下降，移除协调阶段全局解可行性大幅降低，验证框架合理性。

Pram方法论可推广到旅行商、车辆路径规划等组合优化问题；为工业界提供领域知识与AI结合新范式，降低建模门槛；代表AI for Science在运筹学的实践，证明大语言模型可处理结构化科学问题。未来AI驱动智能优化有望在物流、制造等行业带来效率革命。