arXiv cs.CL· Ni Zhang, Haofeng Yuan, Jianan Zhou, Shiji Song, Zhiguang Cao·· 12 小时前AI 评分29
基于 LLM 的外生世界模型用于动态调度
LLM-Based Exogenous World Modeling for Dynamic Scheduling
AI 导读
预训练 LLM 可作为结构化世界模型的外生组件，预测不确定的未来作业到达。研究者提出 Afterstate World-Model Planning（AWMP），通过 afterstate 分解让 LLM 只预测外生到达，并结合信念条件调度策略与短场景 rollout。
正文 · AI 翻译
摘要：动态调度需要在预判未来作业的同时对在线到达的作业进行分派，因为在非线性拖期目标下，糟糕的决策会累积下游成本。我们表明，预训练大语言模型（LLM）可以作为结构化世界模型的外生组件，预测不确定的未来作业到达。具体而言，我们利用后状态分解，将已知的确定性车间状态转移与不确定的外生作业到达分离，使 LLM 仅通过紧凑的信念表示来预测后者。在此基础上，我们开发了后状态世界模型规划（AWMP），它将演化的、以信念为条件的分派策略与基于场景的短程推演相结合。惊喜触发的刷新机制仅在新观测到的到达与先前预测偏离足够大时才查询 LLM，而在线残差自校准进一步让 LLM 以其近期预测误差为条件，以处理非平稳到达。在多种到达分布下，相对于八种经典优先级分派规则中的最佳者，AWMP 在动态作业车间基准上将加权拖期降低 6-21%，在柔性作业车间基准上降低 22-46%。
| 评论： | 10 页，5 幅图，1 张表 |
| 主题： | 人工智能（cs.AI）；计算与语言（cs.CL） |
| 引用为： | arXiv:2610.29308 [cs.AI] |
| （或 arXiv:2610.29308v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.29308 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Haofeng Yuan [查看电子邮件]
[v1]
2026年10月21日星期三 07:01:25 UTC（303 KB）
来源：arXiv cs.CL · arxiv.org