从拓扑到轨迹：面向供应链韧性的LLM驱动世界模型
人工智能
2026-04-14 v1
摘要
在全球地缘政治动荡的背景下，半导体供应链面临着前所未有的韧性挑战。传统的基于大型语言模型（LLM）的规划器，在应对此类非平稳的“政策黑天鹅”事件时，由于缺乏物理环境建模，常常陷入决策瘫痪或严重的接地鸿沟。本文介绍了ReflectiChain，一个专为韧性宏观经济供应链规划设计的认知智能体框架。其核心创新在于集成了由生成式世界模型驱动的潜在轨迹预演，该模型将行动中反思（系统2深思）与行动后延迟反思相结合。此外，我们利用回溯性智能体强化学习机制，实现了部署阶段（测试时）的策略自主演化。在我们高保真基准Semi-Sim上的评估表明，在出口禁令和材料短缺等极端场景下，ReflectiChain的平均步长奖励相比最强LLM基线提升了250%。它成功地将可操作性比率从低至13.3%恢复到超过88.5%，同时确保了稳健的梯度收敛。消融研究进一步强调，物理接地约束与双环学习之间的协同作用是弥合长期战略规划中语义推理与物理现实之间差距的基础。
引用
@article{arxiv.2604.11041,
title = {From Topology to Trajectory: LLM-Driven World Models For Supply Chain Resilience},
author = {Jia Luo},
journal= {arXiv preprint arXiv:2604.11041},
year = {2026}
}