CVaR-RMD：利用 CVaR 选择压力实现鲁棒启发式算法发现

提出 CVaR-RMD 框架，利用 LLM 变异可执行启发式程序，通过条件风险价值（CVaR）而非平均表现对候选算法进行排序，以解决平均目标掩盖严重失败的问题。 在三个组合优化领域中，基于 CVaR 的选择提升了上尾性能并降低了失败率，且在更大规模的未知实例和独立基准上均保持竞争力。 该研究已被 Findings of EMNLP 2026 接收。