大模型驱动的应急情景推理
人工智能
2026-05-12 v1
摘要
传统仿真方法通过预设来复现已发生的应急实例，帮助人们进行风险评估和应急决策。然而，由于缺乏随机性和多样性，现有仿真系统难以充分探索潜在风险，因为应急实例稀缺。相比之下，大模型（LMs）能够动态调整生成策略以引入可控的随机性，同时拥有广泛的先验知识和跨领域知识迁移能力。灵感来源于此，我们提出了大模型驱动的世界线发散系统（WLDS），该系统使不同领域的应急实例可实现多样化的可视化和推理。WLDS 利用大模型在 various development directions 上进行推理推断，并引入事实校准和逻辑校准机制，以确保推理过程中的事实准确性和逻辑严密性。交互模块可以独立选择推理方向，以避免系统难以识别的潜在幻觉。此外，通过引入可视化模块，WLDS 形成了文本与图像结合的仿真与推理，增强了可解释性。在 proposed Emergency Instances Deduction（EID）基准数据集上进行的大量实验表明，WLDS 在多个特定领域实现了高精度和高保真度的应急实例仿真与推理。相关实验进一步表明，WLDS 可以为用户生成更多应急实例推理数据，并为未来类似应急实例的更好决策提供支持。
引用
@article{arxiv.2605.08599,
title = {What Will Happen Next: Large Models-Driven Deduction for Emergency Instances},
author = {Zhengqing Hu and Dong Chen and Junkun Yuan and Liang Liu and Hua Wang and Zhao Jin and Yingchaojie Feng and Wei Chen and Mingliang Xu},
journal= {arXiv preprint arXiv:2605.08599},
year = {2026}
}