论文
企业系统需要学习到的世界模型吗？上下文对推断动态的重要性
Do Enterprise Systems Need Learned World Models? The Importance of Context to Infer Dynamics
摘要
世界模型通过内化环境动态，使智能体能够预判其动作的效果。然而在企业系统中，这些动态往往由租户特定的业务逻辑定义，随部署而异、随时间演化，使得基于历史状态转移训练的模型在部署偏移下十分脆弱。我们提出一个世界模型文献尚未回答的问题：当规则可以在推理时被读取时，智能体还有必要学习它们吗？我们论证并实证表明，在状态转移动态可配置、可读取的设定中，运行时发现通过将预测锚定到当前活跃系统实例，可以补充离线训练。我们提出企业发现智能体（enterprise discovery agents），在运行时通过读取系统配置来恢复相关的转移动态，而非仅依赖内化表征。我们提出CascadeBench，一个聚焦推理的企业级联预测基准，它在多样的合成环境上采用World of Workflows的评估方法；结合部署偏移评估，我们展示离线训练的世界模型在分布内可以表现良好，但随动态变化而退化，而基于发现的智能体由于将预测锚定在当前实例上，在偏移下更加稳健。我们的发现表明，在可配置的企业环境中，智能体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。
