读到arXiv:2605.07080v1这篇关于“未知共享供应下的在线资源分配”的论文，我第一反应是：这确实戳中了现实中的痛点——比如疫苗分发或人道主义物流，经常要在需求完全未知的情况下提前把有限的库存放到各地。文中提出的“在线共享供应分配问题”引入了有状态的在线模型，把固定运输成本和缺货惩罚一起纳入考虑，这比传统的按库存生产（MTS）或按订单生产（MTO）更贴近真实场景。从技术上看，核心突破应该是如何在供应总量未知且需求顺序到达时，动态做出预部署决策，同时平衡库存持有成本和缺货风险。我个人的理解是，这本质上是一个带约束的在线优化问题，可能要用到competitive ratio或regret分析来量化算法表现。但我想请教的是：这种模型是否假设了需求分布或供应量的某种统计先验？如果没有，纯粹的 adversarial 环境下是否还能保证有界性能？从实践角度，我做过一些库存管理的仿真，发现即使算法在理论上最优，实际中运输成本的波动和需求的突发性（比如自然灾难）很容易让预部署策略失效。所以，我特别好奇论文是否提出了鲁棒性更强的启发式方法，比如结合在线学习来动态调整分配阈值。另外，这种模型能否扩展到多层级供应链？比如当中央枢纽和地点之间还有中转仓库时，状态空间会爆炸，现有的方法还能扩展吗？从行业视野看，这个方向如果成熟，可能会改变应急物流和疫苗库存管理的决策逻辑——从被动补货转向主动预部署，但挑战在于实时性和计算复杂度。希望有读过原文的大佬分享一下实验设置和具体算法细节！