オペレーションズリサーチ（OR）タスクへの大規模言語モデル（LLM）の適用には、単に最終的な答えが正しいだけでなく、一貫性のあるモデリングプロセスが必要であるという根本的な課題が存在している。従来の自己回帰生成は近視的なポリシーで動作するため、部分的な定式化が本当に整合的な最適化モデルに拡張可能かどうかを事前に判断できない。この結果、局所的には妥当に見える各ステップが、下流の定式化やソルバーコード内で壊滅的なエラーへと伝播してしまう問題が発生していた。 本研究は、こうした課題に対処するため、不確実性を考慮した訓練不要の推論フレームワークを提案している。モデルのパラメータ更新を行わずに、短いルックアヘッドシミュレーションを用いて中間的な候補ステップを評価し、下流の予測不確実性または確率集中度を定量化する。その後、一貫した数学的定式化を生成する可能性がより高い候補は、重要度リサンプリングを通じて動的に選択される。 NL4OPT、MAMO、IndustryORを含む複数のORベンチマークにおける実証的評価により、本フレームワークが標準的な手法および低温度ベースラインの両方を一貫して上回ることが示された。この研究成果は、信頼性の高いOR定式化生成のための効率的で訓練不要なパラダイムを確立するもので、LLMを用いた意思決定支援システムの実用化に向けた重要な進展となる。