知识卡片：SCOPE：通过耦合策略实现供应链端到端协调的复合决策模型

一句话结论

SCOPE 提出一种将供应链实体 token 化、并通过共享运营表示统一协调多类决策的复合策略模型，在城市生鲜零售的真实运营数据上持续优于“分阶段独立优化”的方法，说明跨环节耦合建模能提升端到端供应链决策效果。

事件概述或研究问题

本文研究的问题是：供应链 AI 能否从孤立的决策模块走向统一运营规划？一个完整补货计划需要同时决定：每个门店/仓库存放哪些商品、由哪个上游设施供货、补货频率是多少、以及配送如何路由。这些决策在运营上相互耦合——选品会影响后续环节的需求与负载；货源分配和补货频率会重塑配送请求；而路由可行性和成本又反过来决定前序选择的系统价值。然而现代供应链中这些决策常由不同部门、不同系统分别优化，容易导致缺货、库存积压和不必要的运输。

方法/产品要点

• 提出 SCOPE（Supply-Chain Operations through Coupled Policies for End-to-End Coordination） 框架，属于复合策略模型。
• 核心设计：将供应链实体（商品、仓库、门店、车辆等）表示为 token；通过共享的运营表示对 token 进行上下文建模；每种 token 类型映射到对应的决策接口。
• 决策过程：每个决策基于前序决策形成的部分计划；完整计划使用统一的系统级效用函数进行评估。
• 在城市生鲜零售补货场景中实例化，该场景中服务频率、品类组合、容量压力和路网路由相互影响强烈。
• 使用叮咚买菜和京东两个大规模供应链的真实运营数据，二者处于不同的补货层级。

主要结果或产业意义

• 在两个真实数据集上，SCOPE 均一致优于“逐阶段分别优化”的方法，也优于供应链运营中常用的实践导向基线。
• 结果表明：学习并协调跨部门、跨环节的运营耦合，能够带来更有效的端到端供应链决策。
• 产业意义：为生鲜零售、即时配送等复杂度高、耦合性强的供应链场景提供了可落地的联合优化思路，有望减少缺货与库存风险、降低运输成本。

为什么重要

已有相关卡片多关注 AI 加速培训流程、临床检验工作流或四旋翼控制；本条卡片的增量信息在于：它针对供应链中“选品—补货—配送”相互耦合的长期痛点，提出了一种统一 token 化建模与复合策略的机器学习框架，并首次使用国内两家大型生鲜供应链的真实运营数据验证了“端到端耦合优化优于分阶段独立优化”这一核心观点。这为供应链 AI 从单点优化走向全局协同提供了一个可复现的范式。

局限与不确定性

• 摘要中未给出具体性能指标数值、对比基线细节、模型计算开销或训练/推理效率，待核实。
• 实验场景限定为城市生鲜零售，对其他行业（如制造、跨境、医药）的泛化能力尚不明确，待核实。
• 框架对数据质量、系统集成、组织流程的要求较高，实际部署中的“部门墙”问题是否被技术方案完全解决，需结合正文进一步确认。

可用于图书/PPT/简报的角度

• 数字化供应链：如何用 AI 打通“选品—补货—配送”的协同决策。
• 端到端优化案例：以叮咚买菜和京东为代表的大型供应链实践。
• 方法论角度：将多类决策实体统一表示为 token，并在共享表示上学习耦合策略。
• 管理启示：打破部门壁垒、从系统级效用出发设计决策机制。

原始材料

• 英文标题：SCOPE: Supply-Chain Operations through Coupled Policies for End-to-End Coordination
• 英文关键词：supply chain, end-to-end coordination, composite policy, replenishment, fresh retail
• arXiv ID：2607.28488v1
• 作者：Yunhao Liang, Xianqi Cao, Pujun Zhang, Yuan Qu, Yongzhi Qi, Ningxuan Kang, Max Z. J. Shen
• 发布/更新日期：2026-07-30
• 分类：cs.AI; cs.LG
• 摘要链接：https://arxiv.org/abs/2607.28488v1
• PDF 链接：https://arxiv.org/pdf/2607.28488v1