Deep Inventory Management
Amazon(亚马逊);Pinterest(拼趣);Harvard University(哈佛大学)
这项工作提供了一种深度强化学习方法来解决随机供应商提前期,销售损失,相关需求和价格匹配的定期审查库存控制系统。虽然这个动态程序历来被认为是棘手的,我们的研究结果表明,几个策略学习方法的竞争力或优于经典的方法。为了训练这些算法,我们开发了新的技术,将历史数据转换成模拟器。在理论方面,我们提出了一个子类的库存控制问题,我们提供了一个可证明的减少强化学习问题的监督学习的可学习性的结果。在算法方面,我们提出了一个基于基于模型的强化学习过程(直接反向传播),以解决定期审查库存控制问题,通过构建一个可微的模拟器。在各种指标下,Direct Backprop在模拟和现实部署中的表现都优于无模型RL和newsvendor基线。
2022-11-28 cs.LG math.OC
DeepStock: Reinforcement Learning with Policy Regularizations for Inventory Management
Booth School of Business, University of Chicago(芝加哥大学商学院);Taobao & Tmall Group(淘宝与天猫集团);School of Economics, Sichuan University(四川大学经济学院);Graduate School of Business, Columbia University(哥伦比亚大学商学院);School of Operations Research and Information Engineering, Cornell University(康奈尔大学运筹学与信息工程学院)
本文提出通过策略正则化改进深度强化学习在库存管理中的应用,加速超参数调优并提升性能,通过阿里巴巴电商平台的部署和合成实验验证了其有效性。
2026-10-06 cs.AI cs.LG
MARLIM: Multi-Agent Reinforcement Learning for Inventory Management
École Polytechnique(巴黎综合理工学院);TotalEnergies OneTech(道达尔能源OneTech)
本文提出名为MARLIM的强化学习框架,通过单或多智能体协作优化补货决策,解决具有随机需求和提前期的单级多产品供应链库存管理问题,并在真实数据实验中展现出优于传统基线的优势。
2023-08-03 cs.AI cs.LG cs.MA
A Versatile Multi-Agent Reinforcement Learning Benchmark for Inventory Management
Microsoft Research Asia(微软亚洲研究院);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
针对多智能体强化学习落地现实场景的诸多挑战,研究团队开发了多层级多品类的库存管理基准MABIM,并基于该基准评估了经典运筹学方法与主流MARL算法的表现,以推动相关研究。
2023-06-13 cs.AI
COOL-MC: Verifying and Explaining RL Policies for Platelet Inventory Management
COOL-MC通过结合RL与概率模型检验,验证并解释了血小板库存管理中强化学习策略的可靠性与安全性。
2026-03-02 cs.AI cs.LG
Reinforcement Learning for Multi-Product Multi-Node Inventory Management in Supply Chains
TCS Research(塔塔咨询服务公司研究院);Robert Bosch Centre for Data Science and AI, IIT Madras(印度理工学院马德拉斯分校罗伯特·博世数据科学与人工智能中心)
本文描述了强化学习(RL)在供应链多产品库存管理中的应用。问题描述和解决方案都改编自现实世界的业务解决方案。这个问题的新颖之处就供应链文献是(i)我们考虑并发库存管理的大量(50到1000)的产品共享能力,(ii)我们考虑了一个多节点的供应链,由一个仓库,供应三个商店,(iii)仓库,商店和运输从仓库到商店有有限的能力,(iv)仓库和商店补货发生在不同的时间尺度上,并且具有实际的时间滞后,以及(v)商店对产品的需求是随机的。我们描述了一种新的配方在多代理(分层)强化学习框架,可用于并行决策,并使用优势演员评论(A2C)算法与量化的行动空间来解决这个问题。实验表明,该方法是能够处理多目标奖励最大化的产品销售和最小化易腐产品的浪费。
2020-06-07 cs.AI cs.LG cs.MA
Zero-shot Generalization in Inventory Management: Train, then Estimate and Decide
Department of Industrial Engineering and Innovation Sciences, Eindhoven University of Technology(工业工程与创新科学系,埃因霍温理工大学)
本文提出了一种针对库存管理的零样本泛化框架,通过训练一般能力代理以应对未知参数的决策问题,提升了在动态环境中的性能。
2026-01-19 cs.LG
Interpretable Reinforcement Learning via Neural Additive Models for Inventory Management
Merantix Momentum GmbH(Merantix Momentum有限公司)
COVID-19疫情凸显了供应链的重要性以及数字化管理在应对环境动态变化方面的作用。在这项工作中,我们专注于发展动态库存订购政策的多级,即多阶段,供应链。传统的库存优化方法的目标是确定一个静态的再订购策略。因此,该等政策无法适应动态变化,例如COVID-19危机期间观察到的变化。另一方面,传统的战略提供了可解释的优势,这是供应链管理者的一个关键特征,以便将决策传达给利益相关者。为了解决这一限制,我们提出了一种可解释的强化学习方法,其目标是与传统静态策略一样可解释,同时与其他基于深度学习的强化学习解决方案一样灵活和环境不可知。我们建议使用神经加法模型作为强化学习代理的可解释动态策略,表明这种方法与标准的全连接策略具有竞争力。最后,我们使用的可解释性财产获得洞察到一个简单的,线性的三级库存供应链的复杂订购策略。
2023-03-22 cs.LG cs.MA
Deep RL Dual Sourcing Inventory Management with Supply and Capacity Risk Awareness
本文提出利用深度强化学习解决多源多时期库存管理问题,通过分解供应链过程为可扩展的深度学习模块,提升大规模数据集上的性能。
2026-01-09 cs.LG
Deep Controlled Learning for Inventory Control
Department of Industrial Engineering and Innovation Sciences, Eindhoven University of Technology(工业工程与创新科学系,埃因霍温理工大学);ASML US LLC(ASML美国有限公司)
针对库存管理高度随机性导致传统DRL难以超越启发式方法的问题,本文提出深度受控学习(DCL),结合逐次减半与公共随机数的高效仿真机制,在多种库存场景中以同一组超参数实现更低成本且最优性差距不超过0.2%。
2025-06-03 cs.LG
On the Hardness of Inventory Management with Censored Demand Data
Universitat Pompeu Fabra(庞培法布拉大学);Barcelona Graduate School of Economics(巴塞罗那经济研究生院);Barcelona School of Management(巴塞罗那管理学院)
我们考虑一个重复的报童问题,库存经理没有事先的信息的需求,只能访问审查/销售数据。类似于多臂强盗问题,管理者需要同时“探索”和“利用”她的库存决策,以最小化累积成本。我们不做概率假设-重要的是,独立性或时间平稳性-关于创建需求序列的机制。我们的目标是揭示问题的硬度,并制定政策,表现良好的遗憾标准,即政策的累积成本之间的差异,最好的固定行动/静态库存决策在事后,均匀地在所有可行的需求序列。我们表明,一个简单的随机化的政策,称为指数加权预测,结合精心设计的成本估计,实现最佳的缩放预期遗憾(对数因子)的所有三个关键原语:时间段的数量,库存决策的数量,和需求支持。通过这个结果,我们得到一个重要的见解:从“信息跟踪”的好处以及审查的成本都可以忽略不计,在这个动态学习问题,至少在遗憾的标准。此外,我们修改建议的政策,以执行良好的跟踪遗憾,也就是说,作为基准的最佳序列的库存决策,开关有限的次数。数值实验表明,所提出的方法优于现有的(量身定制,或促进,时间平稳性)的非平稳需求模型。最后,我们提出的方法和分析的“组合”版本的重复报童问题。
2017-10-16 cs.LG math.OC stat.ML
Learning in structured MDPs with convex cost functions: Improved regret bounds for inventory management
考虑了需求截尾、销售损失和正提前期下的随机库存控制问题。这是库存管理中的一个基本问题,有大量文献建立了一个简单的称为“基本库存政策”的基本马尔可夫决策过程(MDP)的政策类的近最优性,以及这些政策下的长期平均成本的凸性。我们认为,相对较少研究的问题,设计一个学习算法,这个问题时,潜在的需求分布是未知的。我们的目标是约束遗憾的算法相比,最佳的基本库存政策。我们利用凸性属性和新推导出的基础股票政策的偏见的限制,建立一个连接到随机凸土匪优化。我们的主要贡献是一个学习算法的遗憾界$\tilde{O}(L\sqrt{T}+D)$的库存控制问题。这里,$L$是固定且已知的提前期,而$D$是需求分布的未知参数,其被粗略地描述为产生用于耗尽一个库存单位的足够需求所需的时间步长的数量。值得注意的是,即使底层MDP的状态空间是连续的和$L$维的,我们的遗憾边界线性依赖于$L$。我们的研究结果显着提高了以前最有名的遗憾界为这个问题的依赖$L$是指数和需求分布的许多进一步的假设。这里提出的技术可能是独立的利益,涉及大型结构化的MDP,但与凸成本函数的其他设置。
2019-05-10 cs.LG stat.ML
Neural Coordination and Capacity Control for Inventory Management
Amazon(亚马逊公司);Google(谷歌公司);Harvard University(哈佛大学)
针对共享资源受限的多品类周期盘点库存控制问题,本文提出基于神经协调器的容量控制方法,结合改进的深度强化学习算法,在大规模回测中实现了比经典基线更优的收益与容量合规表现。
2024-09-24 cs.LG cs.SY eess.SY
Cooperative Multi-Agent Reinforcement Learning for Inventory Management
Walmart Global Tech(沃尔玛全球科技)
本文提出一种基于GPU并行化环境与共享奖励的协作式多智能体强化学习系统,用于优化包含单仓库多门店的供应链库存管理,并在单一产品场景下超越基础库存策略等基线。
2023-04-18 cs.LG cs.MA
ORPR: An OR-Guided Pretrain-then-Reinforce Learning Model for Inventory Management
Department of Industrial Engineering, Tsinghua University(清华大学工业工程系);Supply Chain Tech Team Y, JD.com(京东供应链技术团队);Faculty of Engineering and Faculty of Business and Economics, The University of Hong Kong(香港大学工程学院和商学院)
本文提出一种基于OR的预训练后再强化学习模型,通过结合领域知识和结构化优化逻辑,提升库存管理的决策效率与成本效益。
2026-01-06 cs.AI cs.LG
Comparing Deep Reinforcement Learning Algorithms in Two-Echelon Supply Chains
University of Milan-Bicocca(米兰-比科卡大学);Polytechnic of Turin(都灵理工大学)
本文构建随机季节性需求下的两级供应链环境,比较多种深度强化学习算法,证明其优于传统(s, Q)策略,并开源可定制的数据驱动库存管理库。
2023-11-17 cs.AI cs.LG math.OC
An Analysis of Multi-Agent Reinforcement Learning for Decentralized Inventory Control Systems
Imperial College London(帝国理工学院);The University of Manchester(曼彻斯特大学)
针对现实供应链信息无法集中的库存管理难题,提出多智能体强化学习的去中心化方案,对比三种PPO变体,发现带集中critic的方案性能接近集中式方案且优于分布式模型方法,适配信息约束。
2023-07-21 cs.LG cs.MA cs.SY
Deep Reinforcement Learning for Inventory Networks: Toward Reliable Policy Optimization
Graduate School of Business, Columbia University(哥伦比亚大学商学院);Columbia University(哥伦比亚大学)
本文提出HDPO算法和图神经网络架构,用于库存网络中的深度强化学习,通过离线反事实梯度优化和拓扑对齐,实现接近最优策略并减少数据需求,同时开源基准环境以促进可重复性。
2025-09-10 cs.AI cs.LG
A Machine Learning-Based Study on the Synergistic Optimization of Supply Chain Management and Financial Supply Chains from an Economic Perspective
Northern Arizona University(北亚利桑那大学);University of Michigan(密歇根大学);JPMorgan Chase(摩根大通);Cornell University(康奈尔大学)
本研究结合经济学理论与机器学习技术,构建SCM-FSCM协同模型,通过多算法优化供应链各环节,经企业验证可提升运营效率、降低融资成本,助力供应链高质量发展。
2025-09-03 cs.LG
Deep Reinforcement Learning for Solving Management Problems: Towards A Large Management Mode
Random Seed Inc.(随机种子公司);Wuhan Institute for Artificial Intelligence(武汉人工智能研究院);Guanghua School of Management, Peking University(北京大学光华管理学院);Xiangjiang Laboratory(湘江实验室);H. Milton Stewart School of Industrial and Systems Engineering, Georgia Institute of Technology(佐治亚理工学院H·米尔顿·斯图尔特工业与系统工程学院);Institute for Artificial Intelligence, Peking University(北京大学人工智能研究院)
本文提出统一的深度强化学习框架,通过生成式基础决策模型协调库存、定价与推荐等管理任务,并验证其优于启发式方法。
2024-03-01 cs.AI cs.LG
Behaviorally Grounded Model-Based and Model Free Cost Reduction in a Simulated Multi-Echelon Supply Chain
Massachusetts Institute of Technology Sloan School of Management(麻省理工学院斯隆管理学院)
订单信号的放大和相移,通常被称为牛鞭,是造成现实世界库存管理系统过度紧张、缺货和通过安全库存建立不必要的资本储备的原因。牛鞭效应是一个经典的,但持续存在的问题,在库存管理的反响后果。对牛鞭效应的研究一直强调行为对这一现象的影响,并利用行为排序模型提出干预措施。然而,最近的无模型方法也取得了成功。在这项工作中,作者开发了算法方法,以减轻牛鞭使用行为接地基于模型的方法以及无模型的双深度Q网络强化学习方法。除了探索这种特定的无模型架构的效用,多级供应链的信息共享不完善和信息延迟,作者直接比较这些基于模型和无模型的方法的性能。在这样做的过程中,这项工作突出了从探索基于模型的方法在以前的行为运营管理文献的背景下获得的见解,并强调了基于模型的和无模型的方法在接近行为接地供应链管理问题的互补性。
2022-02-25 cs.HC cs.LG cs.SY
QAmplifyNet: Pushing the Boundaries of Supply Chain Backorder Prediction Using Interpretable Hybrid Quantum-Classical Neural Network
Khulna University of Engineering and Technology (KUET)(库尔纳工程技术大学(KUET));American International University-Bangladesh (AIUB)(孟加拉国美国国际大学(AIUB));The University of Aizu(会津大学)
提出QAmplifyNet,一种可解释的混合量子-经典神经网络,用于短且不平衡数据集上的供应链缺货预测,优于现有模型,提升库存控制与运营效率。
2023-10-15 cs.AI cs.LG quant-ph
Iterative Multi-Agent Reinforcement Learning: A Novel Approach Toward Real-World Multi-Echelon Inventory Optimization
针对多级库存优化的复杂性与DRL的维度灾难问题,提出迭代多智能体强化学习方法,在13种供应链场景中验证其在库存策略优化上的性能优于基准,为现实供应链管理提供新方案。
2025-03-23 cs.LG
Deep Reinforcement Learning for Shared Autonomous Vehicles (SAV) Fleet Management
Virginia Polytechnic(弗吉尼亚理工学院)
共享自动驾驶汽车(SAV)车队公司正在全国范围内启动试点项目。2020年,弗吉尼亚州费尔法克斯宣布了弗吉尼亚州首个共享自动驾驶车队试点项目。SAV承诺改善生活质量。然而,SAV也会产生额外的车辆行驶里程(VMT),从而导致更多的排放,能源消耗和排放,从而产生一些负外部性。过多的VMT主要是通过空重定位过程产生的。基于强化学习的算法正在被研究,作为解决其中一些问题的可能解决方案:最明显的是最大限度地减少乘客的等待时间。但是,还没有研究使用强化学习减少停车位成本或减少空巡航时间。本研究探讨不同的\textbf {强化学习方法,然后决定最佳的方法,以帮助减少乘客等待时间,停车成本和空行程
2022-01-15 cs.LG cs.RO
Streamlined Framework for Agile Forecasting Model Development towards Efficient Inventory Management
Inventec Corporation(英业达公司)
本文提出一个精简预测模型开发流程的框架,通过多重交叉验证机制和多种评估指标实现快速数据集成、算法实验与模型选择,并在库存管理和USAID智能预测竞赛中验证其有效性。
2023-04-13 cs.AI cs.LG
Learning to replenish: A hybrid deep reinforcement learning for dynamic inventory management in the pharmaceutical supply chains
ABV-Indian Institute of Information Technology and Management(ABV印度信息技术与管理学院)
针对医药供应链中需求不确定和前置时间变化导致的库存管理难题,提出一种混合异步优势演员评论家分布式近端策略优化(A3C DPPO)算法,实现连续动作空间下的最优补货策略,降低库存成本并提高服务水平。
2026-06-04 cs.AI
An Efficient Intelligent Semi-Automated Warehouse Inventory Stocktaking System
University of Maryland(马里兰大学)
针对传统库存管理方法的不足,研究提出集成条形码、分布式flutter应用与大数据分析的智能半自动化仓库盘点系统,经仿真验证可提升管理效率、降本优化库存。
2025-07-31 cs.AI cs.HC cs.SY
Data-driven inventory management for new products: An adjusted Dyna-$Q$ approach with transfer learning
Department of Data and Systems Engineering, The University of Hong Kong(数据与系统工程系,香港大学);Musketeers Foundation Institute of Data Science, The University of Hong Kong(穆斯克特基金会数据科学研究所,香港大学)
针对无历史需求的新产品库存管理,提出融合迁移学习热启动的改进 Dyna-$Q$ 强化学习算法,真实面包店数据验证其显著降低成本、训练时间与策略方差。
2025-06-09 cs.AI cs.CE cs.LG
Autonomous Airline Revenue Management: A Deep Reinforcement Learning Approach to Seat Inventory Control and Overbooking
Iowa State University(爱荷华州立大学)
收益管理可以使航空公司最大限度地从每个定期航班在其运输网络中产生的收入,通过寻找最佳的政策,差别定价,座位库存控制和超售。由于市场上不同的需求细分有不同的支付意愿(WTP),航空公司使用差异定价,预订限制和服务设施来确定针对每个需求细分的不同票价等级或产品。由于每个航班的座位是有限的,航空公司还需要为每个票价等级分配座位,以防止较低票价等级的乘客取代较高票价等级的乘客,并在预计取消和未出现的情况下设定超额预订限制,以使收入最大化。以前的工作使用优化技术或经典的强化学习方法来解决这些问题。本文重点研究后一个问题-座位库存控制问题-铸造它作为一个马尔可夫决策过程,能够找到最优的政策。该模型考虑了多个舱位、不同舱位的乘客同时连续到达、超售和与舱位无关的随机取消等情况。我们已经使用深度Q学习解决了这个问题,目标是最大化每次航班起飞的奖励。这种技术的实现使我们能够采用大的连续状态空间,但也提出了潜在的机会,测试实时的航线数据。为了生成数据和训练代理,开发了一个基本的航空旅行市场模拟器。代理在不同的模拟市场的情况下的性能进行了比较,对理论上的最优解决方案,并被发现接近预期的最优收益。
2019-06-13 cs.AI
Bridging Forecast Accuracy and Inventory KPIs: A Simulation-Based Software Framework
Center for Applied Intelligent Systems Research(应用智能系统研究中心);Halmstad University(哈马斯特德大学);Kagawa University(香川大学)
本文提出一种基于模拟的软件框架,用于评估预测模型对库存KPIs的影响,强调运营相关性而非单纯预测精度。
2026-01-31 cs.AI cs.SE
Optimizing Inventory Routing: A Decision-Focused Learning Approach using Neural Networks
Shahjalal University of Science and Technology(沙贾拉尔科技大学)
针对库存路由问题两阶段方法因需求预测误差导致次优决策的缺陷,提出一种基于神经网络的决策聚焦学习方法,在端到端系统中直接集成库存预测与路由优化,确保稳健的供应链策略。
2023-11-02 cs.AI cs.LG cs.SY
AIM-Bench: Evaluating Decision-making Biases of Agentic LLM as Inventory Manager
School of Management and Engineering, Nanjing University(南京大学管理工程学院);School of Robotics and Automation, Nanjing University (Suzhou Campus)(南京大学机器人与自动化学院)
本文提出AIM-Bench基准,通过库存补货实验评估LLM智能体在不确定供应链中的决策偏差,发现其存在类似人类的偏差,并探索了认知反思与信息共享等缓解策略。
2025-08-15 cs.AI
Leveraging Large Language Models For Optimized Item Categorization using UNSPSC Taxonomy
Data Scientist(数据科学家)
本文研究利用大型语言模型(LLMs)根据物品描述自动将库存数据分类为 UNSPSC 代码,实验表明该方法在保持高准确性的同时大幅减少了手工劳动,为企业提供了可扩展的库存管理解决方案。
2024-12-28 cs.AI cs.CL
Quantum Computing Methods for Supply Chain Management
University of California, Berkeley(加州大学伯克利分校);University of Hong Kong(香港大学);The University of Chicago(芝加哥大学);qBraid Co.(qBraid公司)
预计量子计算将对许多领域产生变革性影响,但其在工业问题上的实际部署尚未得到充分探索。我们专注于将量子计算应用于工业运营管理问题,特别是供应链管理。供应链管理中的许多问题涉及大型状态和动作空间,并对经典计算机提出了计算挑战。提出了一种量化策略迭代算法,并对库存控制问题进行了求解,验证了算法的有效性。我们还深入讨论了在短期内实现这种量子算法的硬件要求和潜在挑战。我们的模拟和实验由\texttt{IBM Qiskit}和\texttt{qBraid}系统提供动力。
2022-12-01 cs.AI cs.LG math.OC
A Study of Data-driven Methods for Inventory Optimization
Hong Kong Baptist University(香港 Baptist 大学);Hong Kong University of Science and Technology(香港科技大学)
本文面向超市场景,比较时间序列、RF与深度强化学习在三类库存模型中的表现,并利用可视化和统计指标评估其预测、适应性及成本与满意度影响。
2025-05-13 cs.AI
AI Agent Systems for Supply Chains: Structured Decision Prompts and Memory Retrieval
National Institute of Advanced Industrial Science and Technology(国家先进工业科学与技术研究院);Nagoya Institute of Technology(名古屋技术大学);NEC Corporation(日本电讯公司)
本文提出AIM-RM代理,通过相似性匹配提升基于LLM的多代理系统在供应链中的适应性和鲁棒性。
2026-02-05 cs.AI cs.MA
Adaptive Inventory Strategies using Deep Reinforcement Learning for Dynamic Agri-Food Supply Chains
ABV-Indian Institute of Information Technology and Management(ABV-印度信息技术与管理学院)
本文针对农食供应链中需求与提前期不确定性下的库存管理问题,提出一种结合价值与策略方法的深度强化学习算法,通过连续动作空间优化订货量以协调多方利益并最大化利润。
2025-07-22 cs.AI
MINSU (Mobile Inventory And Scanning Unit):Computer Vision and AI
MINSU(移动库存和扫描单元)算法使用计算视觉分析方法来记录橱柜的剩余量/满度。要做到这一点,它经历了五个步骤:目标检测,前景减法,K均值聚类,百分比估计和计数。输入图像经过目标检测方法,以分析坐标方面的机柜的具体位置。在这样做之后,它通过前景减法,通过去除背景使图像更容易聚焦到橱柜本身(可能必须完成一些手动工作,例如选择算法没有抓取的部分)。在K-means聚类方法中,多色图像变成3色单调图像,以便更快更准确地分析。最后对图像进行百分比估计和计数。在这两种方法中,以百分比的形式发现橱柜内的材料的比例,然后用于近似内部材料的数量。如果这一项目取得成功,剩余数量管理可以解决前面介绍中提到的问题。
2022-07-27 cs.AI cs.CV
The Collaboration Paradox: Why Generative AI Requires Both Strategic Intelligence and Operational Stability in Supply Chain Management
Department of Industrial & Systems Engineering(工业与系统工程系);Indian Institute of Technology, Kharagpur (IIT-KGP)(印度理工学院,克拉格浦尔(IIT-KGP))
本文研究生成式AI在多级供应链中的协同行为,揭示其因库存积压导致的系统性失败,并提出通过战略智能与操作稳定性的结合实现供应链稳定的方法。
2026-03-25 cs.AI
Ask, Clarify, Optimize: Human-LLM Agent Collaboration for Smarter Inventory Control
New York University(纽约大学);Cornell University(康奈尔大学);Hong Kong University of Science and Technology(香港科技大学)
本文提出混合代理框架,利用LLM作为智能接口,通过分离语义推理与数学计算,降低库存成本32.1%,证明LLM作为自然语言接口使优化策略更易被非专家使用。
2025-12-31 cs.AI cs.HC
Shared Disk KV Cache Management for Efficient Multi-Instance Inference in RAG-Powered LLMs
Sogang University(西江大学);ETRI(韩国电子通信研究院);Soteria Inc.(Soteria公司)
针对RAG驱动LLM因输入token增多导致预填充阶段TTFT延长的问题,提出Shared RAG-DCache共享磁盘KV缓存系统,利用文档局部性和排队延迟主动生成共享缓存,在多实例环境中提升吞吐量15%~71%、降低延迟12%~65%。
2025-04-16 cs.AI
Emission-GPT: A domain-specific language model agent for knowledge retrieval, emission inventory and data analysis
针对排放领域知识碎片化、数据处理效率低的问题,研究提出基于万余份文档知识库的知识增强大语言模型智能体Emission-GPT,支持领域问答与交互式排放数据分析,经广东案例验证可高效提取洞见,为排放清单编制和场景评估提供基础工具。
2025-09-28 cs.AI cs.CL