System1-Arena 基准发布：评估 System 1 模型可承担哪些决策
原文标题：System1-Arena: Which Decisions Can Be Left to System 1?
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文推出 System1-Arena 基准，含 9.2 万问题、105 项任务与 138 个闭环环境，评测 30 个模型。结果显示最大 System 1 模型在非智能体准确率上追平快速闭源 LLM，延迟仅四分之一，但闭环任务中大型开源 LLM 表现最佳。
- 问题
- 不清楚哪些离散决策可由单次前向的System 1模型承担，哪些必须依赖生成式推理。
- 方法
- 推出System1-Arena基准，统一给所有模型相同决策请求并评分其概率，覆盖105项任务与138个闭环环境。
- 结果
- 9.2万问题、30个模型；最大System 1模型非智能体准确率追平快速闭源LLM且延迟仅四分之一，推理LLM最准但成本约70倍；闭环任务大型开源LLM最高成功率32.9%。
- 影响
- 为产品选型提供依据：低延迟决策可用System 1模型，闭环智能体任务仍需大型生成式LLM。
深读 · 结论先行AI 生成展开看要点与影响 ↓
System1-Arena评测30个模型：最大System 1模型非智能体准确率追平快速闭源LLM且延迟仅四分之一，但闭环任务中大型开源LLM最佳。
- •基准含9.2万问题、105项任务、268个公开来源，分文本分类与知识、应用决策、评估与控制、智能体与行动四组
- •另含138个闭环环境，覆盖网页购物、SWE-bench编码控制、机器人、游戏与驾驶，实时模式下世界随决策演进
- •评测30个模型：7个闭源LLM、13个按答案token读取的开源LLM、10个System 1模型
- •最大System 1模型非智能体准确率追平或超过快速闭源LLM，概率校准更好，延迟仅四分之一
- •推理LLM最准，但成本约为快速LLM的70倍；闭环中大型开源LLM成功率最高达32.9%，小型System 1模型很少成功
为什么重要：它为「哪些决策该用单次前向的System 1、哪些需要生成式推理」提供了统一对照，直接影响智能体架构中的成本与延迟取舍。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。