快速模型与缓慢证据：System-1 决策模型配对评估
原文标题：Fast Models, Slow Evidence: A Paired and Self-Audited Evaluation of System-1 Decision Models for LLM Agent Harnesses
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。
论文对开源权重模型 Laya 与托管模型 Jev 两类 System-1 决策模型进行配对评估，覆盖 11 个智能体决策点、7283 个基础案例及 6640 个鲁棒性变体。Jev 在 9 个决策点上显著更准，而两者在零样本模型路由上均未超过随机水平。研究还审计了自身流程，发现三处分析错误与一处设计混淆，导致部署收益被高估。
- 问题
- 智能体harness中大量小型类型化决策用LLM调用成本高、延迟大。
- 方法
- 对开源Laya与托管Jev两个System-1决策模型做配对评估，字节级相同输入并跨硬件跨天复现。
- 结果
- Jev在11个决策点中9个显著更准（+10.8至+46.0个百分点）；两者零样本模型路由均未超随机；Laya在选项反转时改变30%答案。
- 影响
- System-1小模型可替代部分LLM决策，但模型路由不可用，且自审发现部署收益被高估。
深读 · 结论先行AI 生成展开看要点与影响 ↓
配对评估显示Jev在11个决策点中9个显著更准，但两模型零样本路由均不如随机
- •规模：11个智能体决策点、7283个基础案例、6640个鲁棒性变体，字节级相同输入配对测试
- •Jev在9/11决策点显著更准，领先幅度+10.8至+46.0个百分点
- •零样本模型路由上两者均未超过随机水平，RAG相关性门控上打平
- •Laya在选项顺序反转时改变30%答案；50个近邻工具时准确率降至31%，Jev为98%
- •自审发现三处分析错误与一处设计混淆：预筛成本漏算使节省从23.9%修正为4.3%，门控准确率被当作端到端质量（58% vs 98%）
为什么重要：既给出System-1小模型替代LLM调用的真实能力边界，也以自我审计示范了智能体评估中常见的指标误用与收益高估。
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。