用大模型做排产、配料、路径优化，常见评测方式是给一段完整的题目描述，看它能不能写出目标函数和约束。这能测“会不会建模”，却测不出工程师真正的工作：在文档、参数表、旧代码和求解器日志之间来回对照，改一版模型，再把结果讲给不懂数学的人听。OR-Space 把工作区本身搬进了评测。
一个工作区，而不是一段提示
每个实例是一个可执行工作区：docs 里是业务需求与修订要求，data 里是 CSV 或 JSON 参数，src 里可能是空的脚手架，也可能是可运行的旧实现，另配 Docker 沙箱负责文件读写、求解器执行和输出捕获。参数文件允许缺失值、schema 不一致、混合编码和跨文件依赖——这些都得先清洗再建模。评测指标由 harness attached，智能体看不到。
任务分三段。Build：从需求文档和参数表构建可用模型，统一到 pulp.LpProblem 接口，后端默认 Gurobi，并在 COPT、HiGHS 上做跨求解器校验。Revise：在需求变化后修改既有工作流，分“只改代码”“只改造型”“两者都改”三个变体，要求保留未受影响的逻辑，支持变量插入、约束修改和多周期扩展。Explain：拿到求解输出后，回答关于解、约束、假设和业务含义的问题，评分项包括覆盖度、推理、证据落地、答案质量和幻觉惩罚。
300 个实例怎么来的
基准把 IndustryOR 的 100 道基础优化题扩展成三种任务，每种 100 个，共 300 个实例。生成分两步：先写出贴近真值模型的干净规格，再改写成面向业务的真实工作区，加入领域术语、对话式冗余、不一致的 schema 引用和组织化噪声。修订实例在合成阶段要做两次构建执行检查，确认新增约束不会悄悄让未受影响的部件失效或压缩可行域。
结果：建模仍然难，解释是另一种能力
最强的 Build 成绩是 72.0%（gemini-3.1-pro），多数前沿模型落在 53% 至 68%。Revise 暴露了“旧代码是信号还是噪声”：gemini-3.1-pro 从 72% 升到 81%，gpt-5.4 从 59% 升到 79%；但 gemini-3-flash 掉了 23 个百分点，qwen3-32b 掉 12 个百分点——只有能把可复用的数学结构与不该照抄的实现细节分开的智能体，才吃得到这份上下文红利。
Explain 与 Build、Revise 并不高度相关：Build 与 Revise 的相关系数为 0.82，Explain 对二者分别只有 0.16 和 0.28。gpt-5.4 的 Explain 得分最高（86.52）；而 gemini-2.5-pro 能解 69% 的 Revise，Explain 只有 32.2；gemini-2.5-flash 的 Revise 为 66%，Explain 仅 13.79。会算不等于会讲，这一点在只看求解正确率的评测里完全不可见。
接口形态也有影响。把工作区压成一段扁平提示、不给文件系统工具，Build 平均掉 8.2 个百分点（gpt-4o 掉 19，qwen3-max 掉 11），Revise-code 平均掉 12.2 个百分点；Explain 却几乎不变（+0.3）。作者的解释是，找文件、看 schema、写对路径并不是装饰性的接口细节，而是建模难度的一部分。
求解器与失败类型
换后端会改变绝对分数与任务画像。Gurobi 的目标任务均值最高（57.2），Explain 也最高（64.9）；PuLP 在目标类任务上接近，Revise-code 最好，原因可能是评测用的就是 PuLP 自带的启发式代码，上下文更对齐；COPT 对高能力模型与 Gurobi 相当，但轻量模型明显更低，作者归因于预训练语料里 Gurobi 的曝光更多，而不是求解器本身的数学能力差异；HiGHS 的跨任务波动最小（9.9）。Gurobi 与 COPT 的模型排名大体一致（ρ=0.73），但单个智能体的绝对差距可能很大——单一后端会把建模能力与求解器接口敏感度混在一起。
失败分析里最有价值的一条是“能跑但算错”。在 20 个模型各 100 个 Revise 实例的提交中，WrongValue 占 19.1%，RuntimeError 占 18.2%：大量失败已经通过解析、建模和求解器调用，只是把数学问题编码错了。旧代码还带来特有的工程错误：module_not_found 从 Build 的 0.4% 升到 Revise 的 2.8%，NameError 从 0.2% 升到 2.2%，这是“上下文中毒”的量化特征——智能体沿用了旧实现的导入、变量名和控制流假设，却没有把它们重新落地为求解器变量与约束。
资料来源：OR-Space: A Full-Lifecycle Workspace Benchmark for Industrial Optimization Agents — arXiv。本文为技术要点整理/编译，非原文全文。