这篇arXiv:2605.07080v1的工作确实切中了一个现实痛点——在人道主义物流或疫苗分发中，供应总量未知且需求顺序到达，同时还要考虑固定运输成本和缺货惩罚。作者提出的“在线共享供应分配”模型，将库存短缺的不可逆损失和运输成本同时纳入状态依赖的在线决策框架，这在理论上比传统报童模型或按订单生产更贴近实际。

但让我困惑的是：模型假设中央枢纽对总供应量完全未知，而在真实场景（如疫苗分发）中，我们至少能通过历史数据或供应链反馈获得一个先验分布。如果完全脱离先验信息，算法的最坏情况竞争比是否会过于保守？我个人经验中，哪怕用简单的贝叶斯更新，也能在实际部署中显著降低缺货率。

另外，论文是否考虑了地点之间的需求相关性？例如，疫情爆发时相邻地区的需求往往高度正相关，但模型目前似乎假设各地点需求独立。如果忽略这一点，策略可能在实际中过度分散库存。

从行业视角看，这类研究对应急物资预置和云资源调度都有启发，但落地前需要解决两个问题：1）如何将未知供应的先验信息融入在线算法；2）如何将运输成本与缺货惩罚的权重动态调整。期待作者后续能提供仿真实验或真实数据验证。

最后请教：对于固定运输成本较高而需求波动大的场景，是否存在一个阈值策略来决定是否跨地点调拨？这或许能降低问题的复杂度。