AMAO 框架用多智能体处理运筹学问题中的逻辑不一致

论文提出 AMAO 框架，针对运筹学问题描述含糊、逻辑不一致的情况，先用逻辑对齐智能体做两阶段对齐，再由源充分性验证器判断证据是否足够，不足时由交互修复智能体向用户追问。32B 模型达到 86.8% 错误恢复成功率和 60.4% 求解准确率，是基座的 1.98 倍和 1.86 倍。8B 模型取得 47.9% 求解准确率，超过 DeepSeek-V4-Flash 和 Claude-sonnet-4.5 等受评变体。在需要澄清的案例上，交互修复将完整描述准确率提升到 90.71%。