预测供应链中断在真正发生之前，是企业与政策制定者面临的核心挑战。主要难点在于如何从嘈杂且非结构化的输入数据中，可靠地推理出偶发但影响巨大的事件。在这一场景下，通用模型若未经特定任务适配，往往表现不佳。 为此，研究引入了一种端到端的学习框架。该框架利用已发生的实际中断结果作为监督信号，训练大语言模型生成经过校准的概率预测。结果表明，训练后的模型在多个关键指标上显著超越了包括先进模型在内的多个强基线，展现出更高的准确性、更好的校准度以及更优的精确度。 研究还发现，训练过程能够诱导模型进行更结构化、更可靠的概率推理，而无需依赖明确的提示指令。这一成果为训练特定领域的预测模型提供了一条通用路径，使其能够输出可直接用于决策的信号。 为了支持研究的透明性与可复现性，该工作中所使用的评估数据集已对外开源。