/PRNewswire/ -- 用友人工智能實驗室發佈了一份預印本，介紹了 本體工具，這是一個旨在使企業人工智能決策完全可追溯、可驗證和可審計的框架。研究認為，企業人工智能中的問責危機並不是模型能力問題，而是架構問題，並提出了一個有實驗數據支持的具體解決方案。
當出現問題時，沒人能解釋任何事情
企業人工智能的部署面臨結構性問責缺口，準確性基準無法捕捉。當合規審查、費用審批或供應鏈路由中的人工智能驅動決策出現錯誤時，組織通常無法解釋決策是如何得出的，經過了什麼授權，或者是否可以重現。監管機構、審計師和內部管理層並不在乎結論是否正確。他們關心的是這個結論來自哪裏。
用友人工智能實驗室的立場是，答案不是部署一個更智能的模型，而是完全改變架構：一種使人工智能決策在每一步都根本可追溯的架構。本體工具就是這種架構。
本體工具： 從 “模型優先” 到 “本體優先”
在傳統部署中，大模型擁有完全的推理權威，將企業本體視為可以諮詢或忽略的數據源。本體工具則顛倒了這一點。企業本體（EO） 成為治理權威，編碼每個實體、業務規則和授權邊界，而 大本體模型（LOM） 則作為將這一權威與實際業務任務結合的工具。每個推理步驟必須在本體授權的邊界內進行。每個決策都留下可驗證的痕跡。
核心流程是 事件 → 模擬 → 決策。每個進入的業務事件激活本體中預編碼的場景條件，這些條件驅動在隔離沙箱中的確定性圖形變更，從中演變出所有決策獨佔來源的場景有效子圖。即使繞過此模擬步驟產生的答案恰好正確，也沒有合規基礎，無法進行審計。
為什麼通用 LLM 不足
消費者人工智能在單階段合同下運作：在整個知識空間中找到最佳答案。企業人工智能需要一個 雙階段合同，不可逆轉：首先通過本體治理的模擬確定場景有效的決策集，然後在該集內找到最佳解決方案。第一階段是不可跳過的合規門。通用 LLM 將場景約束視為軟偏好，並在認為自己已經知道答案時跳過模擬。這不是模型缺陷，而是它們訓練方式的結果。將它們直接部署到具有審計要求的核心企業流程中，是在使用錯誤的架構。
用數據驗證架構
用友人工智能實驗室對其本體治理模型 LOM-action 進行了基準測試，比較了領先的通用 LLM 在一組企業圖形推理任務中的表現。研究引入了 工具鏈 F1，這是一個衡量模型是否真正遵循完整模擬流程的指標，而不是通過繞過流程獲得正確答案。答案准確性與工具鏈 F1 之間的差距被定義為 虛幻準確性（IA）：IA 越高，越多的 “正確答案” 是通過繞過架構獲得的，沒有審計基礎。
結果確認了決定性的架構優勢。LOM-action 實現了 93.82% 的準確率和 98.74% 的工具鏈 F1，而前沿模型的 F1 僅為 24-36%，儘管答案准確性相似，差距達到四倍。對 50 個前沿模型輸出的手動審查發現，47 個是純文本響應，根本沒有調用任何工具：模型從參數記憶中回答，恰好正確，並且沒有留下可驗證的痕跡。在最接近真實企業決策的場景模擬任務中，LOM-action 實現了 100% 的準確率，工具鏈 F1 為 98.7%，而前沿模型的準確率僅為 64-66%，F1 低於 35%。研究團隊建議工具鏈 F1 至少為 0.90，虛幻準確性不超過 0.30，作為對模擬敏感系統的部署準備閾值。
生產部署的四項原則
論文還概述了本體工具生產部署的四項工程原則：
<ol>
<li>業務邏輯應在本體中，而不是代碼中。代碼實現的規則重複知識並創建不可審計的繞過路徑。</li>
<li>所有上下文必須與本體對齊。進入推理流程的每個實體在任何模擬開始之前都必須映射到其規範本體代碼。</li>
<li>在所有適用的流程任務中，應優先選擇經過本體微調的模型，而不是通用 LLM。一個經過訓練以強制執行模擬流程的小模型比一個將約束視為可選的大模型更值得信賴。</li>
<li>本體架構和圖查詢邏輯必須通過審計接口保持人類可讀。這使得操作員能夠驗證哪些節點被匹配，哪些被修剪，以及從哪個圖狀態派生出決策。</li>
</ol>
完整的預印本可在以下網址獲取：https://www.preprints.org/manuscript/202604.0021
關於用友人工智能實驗室
用友人工智能實驗室是用友網絡科技股份有限公司的人工智能研究部門，專注於企業人工智能架構、本體驅動推理和可審計決策框架。
來源：用友
<img src="https://imageproxy.pbkrs.com/https://rt.prnewswire.com/rt.gif/query-RGF0ZUlkPTIwMjYwNDAyJk5ld3NJdGVtSWQ9Q04yNDc0NyZUcmFuc21pc3Npb25fSWQ9MjAyNjA0MDIwNjE0UFJfTkVXU19VU1BSX19fX19DTjI0NzQ3?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" alt="" original-src="https://imageproxy.pbkrs.com/https://rt.prnewswire.com/rt.gif/query-RGF0ZUlkPTIwMjYwNDAyJk5ld3NJdGVtSWQ9Q04yNDc0NyZUcmFuc21pc3Npb25fSWQ9MjAyNjA0MDIwNjE0UFJfTkVXU19VU1BSX19fX19DTjI0NzQ3"/>

用友網絡

用友網絡人工智能實驗室推出了本體框架，旨在使企業人工智能決策可追溯和可審計。研究強調，企業人工智能中的問責危機源於架構問題，而非模型能力。本體框架將權力轉移至企業本體，確保每個決策都可追溯。與通用大型語言模型的基準測試顯示，受本體治理的模型 LOM-action 在合規性和準確性方面顯著優於其他模型。論文概述了在企業環境中有效部署該框架的四項原則

, /PRNewswire/ -- Yonyou AI Lab has released a preprint introducing the ontology harness, a framework designed to make enterprise AI decisions fully traceable, verifiable, and auditable. The research argues that the accountability crisis in enterprise AI is not a model capability problem; it is an architectural one, and proposes a concrete solution backed by experimental data.
<div class="lb-trans">/PRNewswire/ -- 用友人工智能實驗室發佈了一份預印本，介紹了 本體工具，這是一個旨在使企業人工智能決策完全可追溯、可驗證和可審計的框架。研究認為，企業人工智能中的問責危機並不是模型能力問題，而是架構問題，並提出了一個有實驗數據支持的具體解決方案。
</div>When Something Goes Wrong, No One Can Explain Anything
<div class="lb-trans">當出現問題時，沒人能解釋任何事情
</div>Enterprise AI deployments face a structural accountability gap that accuracy benchmarks cannot capture. When AI-driven decisions in compliance reviews, expense approvals, or supply chain routing go wrong, organizations frequently cannot explain how the decision was reached, what authorization it went through, or whether it can be reproduced. Regulators, auditors, and internal management are not asking whether the conclusion was correct. They are asking where it came from.
<div class="lb-trans">企業人工智能的部署面臨結構性問責缺口，準確性基準無法捕捉。當合規審查、費用審批或供應鏈路由中的人工智能驅動決策出現錯誤時，組織通常無法解釋決策是如何得出的，經過了什麼授權，或者是否可以重現。監管機構、審計師和內部管理層並不在乎結論是否正確。他們關心的是這個結論來自哪裏。
</div>Yonyou AI Lab's position is that the answer is not to deploy a smarter model, but to change the architecture entirely: an architecture that makes AI decisions fundamentally traceable at every step. The ontology harness is that architecture.
<div class="lb-trans">用友人工智能實驗室的立場是，答案不是部署一個更智能的模型，而是完全改變架構：一種使人工智能決策在每一步都根本可追溯的架構。本體工具就是這種架構。
</div>Ontology Harness: From &#34;Model-First&#34; to &#34;Ontology-First&#34;
<div class="lb-trans">本體工具： 從 “模型優先” 到 “本體優先”
</div>In conventional deployments, the large model holds full reasoning authority, treating the enterprise ontology as a data source it may consult or ignore. The ontology harness inverts this. The Enterprise Ontology (EO) becomes the governing authority, encoding every entity, business rule, and authorization boundary, while LOM(Large Ontology Model) serves as the harness that couples this authority to real business tasks. Every reasoning step must occur within ontology-authorized boundaries. Every decision leaves a verifiable trail.
<div class="lb-trans">在傳統部署中，大模型擁有完全的推理權威，將企業本體視為可以諮詢或忽略的數據源。本體工具則顛倒了這一點。企業本體（EO） 成為治理權威，編碼每個實體、業務規則和授權邊界，而 大本體模型（LOM） 則作為將這一權威與實際業務任務結合的工具。每個推理步驟必須在本體授權的邊界內進行。每個決策都留下可驗證的痕跡。
</div>The core pipeline is event → simulation → decision. Each incoming business event activates scenario conditions pre-encoded in the ontology, which drive deterministic graph mutations in an isolated sandbox, evolving a scenario-valid subgraph from which all decisions are exclusively derived. An answer produced by bypassing this simulation step, even if it happens to be correct, has no compliance basis and cannot be audited.
<div class="lb-trans">核心流程是 事件 → 模擬 → 決策。每個進入的業務事件激活本體中預編碼的場景條件，這些條件驅動在隔離沙箱中的確定性圖形變更，從中演變出所有決策獨佔來源的場景有效子圖。即使繞過此模擬步驟產生的答案恰好正確，也沒有合規基礎，無法進行審計。
</div>Why General-Purpose LLMs Fall Short
<div class="lb-trans">為什麼通用 LLM 不足
</div>Consumer AI operates under a single-stage contract: find the best answer across the full knowledge space. Enterprise AI requires a two-stage contract that cannot be reversed: first determine the scenario-valid decision set through ontology-governed simulation, then find the optimal solution within that set. Stage one is a non-skippable compliance gate. General-purpose LLMs treat scenario constraints as soft preferences and skip simulation when they believe they already know the answer. This is not a model defect; it is a consequence of how they are trained. Deploying them directly into core enterprise processes with audit requirements is using the wrong architecture for the job.
<div class="lb-trans">消費者人工智能在單階段合同下運作：在整個知識空間中找到最佳答案。企業人工智能需要一個 雙階段合同，不可逆轉：首先通過本體治理的模擬確定場景有效的決策集，然後在該集內找到最佳解決方案。第一階段是不可跳過的合規門。通用 LLM 將場景約束視為軟偏好，並在認為自己已經知道答案時跳過模擬。這不是模型缺陷，而是它們訓練方式的結果。將它們直接部署到具有審計要求的核心企業流程中，是在使用錯誤的架構。
</div>Validating the Architecture with Data
<div class="lb-trans">用數據驗證架構
</div>Yonyou AI Lab benchmarked LOM-action, its ontology-governed model, against leading general-purpose LLMs across a set of enterprise graph reasoning tasks. The research introduces Tool-Chain F1, a metric that measures whether a model genuinely follows the complete simulation pipeline rather than arriving at correct answers by bypassing it. The gap between answer accuracy and Tool-Chain F1 is defined as Illusive Accuracy (IA): the higher the IA, the more &#34;correct answers&#34; were obtained by bypassing the architecture with no audit basis.
<div class="lb-trans">用友人工智能實驗室對其本體治理模型 LOM-action 進行了基準測試，比較了領先的通用 LLM 在一組企業圖形推理任務中的表現。研究引入了 工具鏈 F1，這是一個衡量模型是否真正遵循完整模擬流程的指標，而不是通過繞過流程獲得正確答案。答案准確性與工具鏈 F1 之間的差距被定義為 虛幻準確性（IA）：IA 越高，越多的 “正確答案” 是通過繞過架構獲得的，沒有審計基礎。
</div>Results confirm a decisive architectural advantage. LOM-action achieved 93.82% accuracy and 98.74% Tool-Chain F1, against just 24–36% F1 for frontier models despite similar answer accuracy, a four-fold gap. A manual review of 50 frontier model outputs on basic tasks found that 47 were pure text responses invoking no tools whatsoever: the model answered from parametric memory, happened to be correct, and left no verifiable trace. On scenario simulation tasks most closely resembling real enterprise decisions, LOM-action achieved 100% accuracy with Tool-Chain F1 of 98.7%, while frontier models reached only 64–66% accuracy with F1 below 35%. The research team recommends Tool-Chain F1 of at least 0.90 and Illusive Accuracy no greater than 0.30 as deployment readiness thresholds for simulation-sensitive systems.
<div class="lb-trans">結果確認了決定性的架構優勢。LOM-action 實現了 93.82% 的準確率和 98.74% 的工具鏈 F1，而前沿模型的 F1 僅為 24-36%，儘管答案准確性相似，差距達到四倍。對 50 個前沿模型輸出的手動審查發現，47 個是純文本響應，根本沒有調用任何工具：模型從參數記憶中回答，恰好正確，並且沒有留下可驗證的痕跡。在最接近真實企業決策的場景模擬任務中，LOM-action 實現了 100% 的準確率，工具鏈 F1 為 98.7%，而前沿模型的準確率僅為 64-66%，F1 低於 35%。研究團隊建議工具鏈 F1 至少為 0.90，虛幻準確性不超過 0.30，作為對模擬敏感系統的部署準備閾值。
</div>Four Principles for Production Deployment
<div class="lb-trans">生產部署的四項原則
</div>The paper also outlines four engineering principles for production deployment of the ontology harness:
<div class="lb-trans">論文還概述了本體工具生產部署的四項工程原則：
</div><ol>
<li>Business logic belongs in the ontology, not code. Code-implemented rules duplicate knowledge and create unauditable bypass paths.</li>
<li>All context must be ontology-aligned. Every entity entering the reasoning pipeline must be mapped to its canonical ontology code before any simulation begins.</li>
<li>Ontology-fine-tuned models should be preferred over general-purpose LLMs for all applicable pipeline tasks. A smaller model trained to enforce the simulation pipeline is more trustworthy than a larger model that treats constraints as optional.</li>
<li>The ontology schema and graph query logic must remain human-readable through audit interfaces. This enables operators to verify which nodes were matched, which were pruned, and from which graph state decisions were derived.</li>
</ol>
<div class="lb-trans"><ol>
<li>業務邏輯應在本體中，而不是代碼中。代碼實現的規則重複知識並創建不可審計的繞過路徑。</li>
<li>所有上下文必須與本體對齊。進入推理流程的每個實體在任何模擬開始之前都必須映射到其規範本體代碼。</li>
<li>在所有適用的流程任務中，應優先選擇經過本體微調的模型，而不是通用 LLM。一個經過訓練以強制執行模擬流程的小模型比一個將約束視為可選的大模型更值得信賴。</li>
<li>本體架構和圖查詢邏輯必須通過審計接口保持人類可讀。這使得操作員能夠驗證哪些節點被匹配，哪些被修剪，以及從哪個圖狀態派生出決策。</li>
</ol>
</div>The full preprint is available at: https://www.preprints.org/manuscript/202604.0021
<div class="lb-trans">完整的預印本可在以下網址獲取：https://www.preprints.org/manuscript/202604.0021
</div>About Yonyou AI Lab
<div class="lb-trans">關於用友人工智能實驗室
</div>Yonyou AI Lab is the AI research division of Yonyou Network Technology Co., Ltd., focusing on enterprise AI architecture, ontology-driven reasoning, and auditable decision frameworks.
<div class="lb-trans">用友人工智能實驗室是用友網絡科技股份有限公司的人工智能研究部門，專注於企業人工智能架構、本體驅動推理和可審計決策框架。
</div>SOURCE Yonyou
<div class="lb-trans">來源：用友
</div><img src="https://imageproxy.pbkrs.com/https://rt.prnewswire.com/rt.gif/query-RGF0ZUlkPTIwMjYwNDAyJk5ld3NJdGVtSWQ9Q04yNDc0NyZUcmFuc21pc3Npb25fSWQ9MjAyNjA0MDIwNjE0UFJfTkVXU19VU1BSX19fX19DTjI0NzQ3" alt="" original-src="https://rt.prnewswire.com/rt.gif?NewsItemId=CN24747&amp;Transmission_Id=202604020614PR_NEWS_USPR_____CN24747&amp;DateId=20260402"/>

06:14 ET 用友網絡 AI 實驗室推出了一種框架，使企業 AI 決策過程變得可追溯和可審計