论文页面 - 企业系统需要学习的世界模型吗？上下文在推断动态中的重要性

来源：https://huggingface.co/papers/2605.12178 作者：

,

,

,

,

,

,

,

,

,

,

,

,

,

摘要

在动态随时间变化的可配置环境中，能够在运行时读取系统配置的企业发现代理（Enterprise Discovery Agents）优于传统的世界模型。

世界模型 (https://huggingface.co/papers?q=World%20models) 使代理能够通过内化环境动态来预测其行为的影响。然而，在企业系统 (https://huggingface.co/papers?q=enterprise%20systems) 中，这些动态通常由因部署而异且随时间演变的多租户特定业务逻辑所定义，这使得在历史转移数据上训练的模型在面临部署偏移 (https://huggingface.co/papers?q=deployment%20shift) 时变得脆弱。我们提出了一个世界模型文献尚未解决的问题：当规则可以在推理时被读取时，代理是否仍然需要学习这些规则？我们通过理论论证和实证研究表明，在转移动态 (https://huggingface.co/papers?q=transition%20dynamics) 可配置且可读的环境中，运行时发现 (https://huggingface.co/papers?q=runtime%20discovery) 通过将预测锚定于活跃的系统实例，弥补了离线训练的不足。我们提出了企业发现代理 (https://huggingface.co/papers?q=enterprise%20discovery%20agents)，它们通过在运行时读取系统配置来恢复相关的转移动态 (https://huggingface.co/papers?q=transition%20dynamics)，而不是仅仅依赖内化的表示。我们引入了 CascadeBench (https://huggingface.co/papers?q=CascadeBench)，这是一个侧重于推理的企业级连锁反应预测基准测试，它在各种合成环境中采用了 World of Workflows (https://huggingface.co/papers?q=World%20of%20Workflows) 的评估方法，并配合部署偏移评估，展示了离线训练的世界模型 (https://huggingface.co/papers?q=world%20models) 在分布内表现良好，但随着动态变化性能下降，而基于发现的代理通过将预测锚定于当前实例，在偏移情况下表现出更强的鲁棒性。我们的研究结果表明，在可配置的企业环境中，代理不应仅依赖固定的内化动态，而应纳入在运行时发现相关转移逻辑的机制。

查看 arXiv 页面 (https://arxiv.org/abs/2605.12178) 查看 PDF (https://arxiv.org/pdf/2605.12178) 添加到收藏集 (https://huggingface.co/login?next=%2Fpapers%2F2605.12178)

在您的代理中获取此论文：

hf papers read 2605\.12178

没有最新的 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型 0

没有模型链接此论文

在模型 README.md 中引用 arxiv.org/abs/2605.12178 以在此页面链接它。

引用此论文的数据集 0

没有数据集链接此论文

在数据集 README.md 中引用 arxiv.org/abs/2605.12178 以在此页面链接它。

引用此论文的 Space 0

没有 Space 链接此论文

在 Space README.md 中引用 arxiv.org/abs/2605.12178 以在此页面链接它。

包含此论文的收藏集 0

没有收藏集包含此论文

将此论文添加到收藏集 (https://huggingface.co/new-collection) 以在此页面链接它。