标签
论文提出 DecompGym 基准，包含来自九类问题族的 81 个实例，用于评估 12 个 GPT、Claude、Gemini 编码智能体设计与实现 Benders 分解和列生成求解器的能力，并比较了独立重生成与反思两种失败修复策略的效果。