System 1
PulseAugur coverage of System 1 — every cluster mentioning System 1 across labs, papers, and developer communities, ranked by signal.
12 天有情绪数据
Frameworks combining System 1 and System 2 reasoning to emerge for complex AI
The Fast-TD-MPC framework's adaptive switching between rapid execution and deliberate planning, inspired by human cognition, suggests a trend towards hybrid AI systems. This approach, mirroring System 1 and System 2 cognitive functions, could be applied to other complex AI domains beyond robotic control to balance speed and accuracy.
System 1 models show potential for efficiency gains in control tasks
The Fast-TD-MPC framework demonstrates significant inference speed improvements (up to 4x) in robotic control tasks by adaptively switching between rapid policy execution and deliberate planning. This highlights the efficiency potential of System 1-like approaches when combined with strategic computational allocation.
System 1 models to see broader application in specialized non-generative AI tasks
The recent audit of a commercial System 1 model for biosecurity tasks, despite some sensitivity to answer order, indicates potential for these models in specialized, non-generative AI applications. Future research may focus on refining their robustness and applicability in domains requiring rapid, calibrated decision-making.
-
SearchJev模型提高了搜索代理的速度和准确性
研究人员开发了SearchJev，这是一种新颖的系统1模型，旨在提高搜索代理的效率和可靠性。该模型将快速决策与复杂推理分开，在不生成自回归输出的情况下对潜在的搜索操作进行评分。SearchJev采用一种称为软标签学习校准决策（SLCD）的新技术来提高其判断的置信度，即使在监督不确定的情况下也是如此。当集成到双系统代理中时，与传统的自回归模型相比，SearchJev显著加快了搜索过程并提高了答案的准确性。
-
新型系统-1模型“Jev”在预算约束下优化LLM推理
一篇新研究论文提出了一种名为“Jev”的系统-1决策模型，该模型通过从候选选项中选择答案而非生成完整的推理过程来与大型语言模型（LLMs）协同工作。这种方法旨在降低LLM生成过多推理令牌所带来的计算成本。实验表明，与强制从不完整的LLM推理中提取答案相比，Jev在较低的令牌预算下能提高准确性，并能在保持高准确率的同时显著降低估算的计算成本。
-
新AI方法使用类型化决策进行高效模型评估
研究人员开发了一种新颖的AI模型“类型化决策”方法，使其能够在一次前向传播中将证据和问题映射到特定选项的概率。这种方法受到商业系统Jevíčko的启发，与传统的LLM裁判相比，显著降低了计算成本和处理时间。该研究详细介绍了一个能够高效分类代理编码会话的内部裁判，并探索了使用LoRA适配器的开源实现，在JevBench等基准测试中表现出竞争力。
-
AI模型按System 1和System 2思维分类，“Wity”被提议为System 1.5
文章通过将当前AI模型与人类认知系统——System 1（快速、直观）和System 2（缓慢、审慎）进行比较，讨论了当前AI模型的局限性。System 2模型速度慢，并以需要进一步解析的散文形式提供答案，而System 1模型速度快，但在复杂问题上可能自信地出错。作者提出了一个“System 1.5”模型，以“Wity”为例，该模型旨在对大多数问题快速响应，但能为复杂或不确定的调用进行审慎推理，并提供带有概率的类型化决策。
-
大语言模型探索系统2思维，Gemini 4 玩《星际争霸》
研究人员正在探索为大语言模型（LLMs）赋予类似系统2思维的高阶推理能力。与此同时，Gemini 4 Argon 已通过为游戏生成代码，在玩《星际争霸》方面展现出熟练度，该能力通过 StarSkirmish Bench 基准测试进行评估。该基准测试还包括了来自 OpenAI、Anthropic 和 Google 的领先模型的测试结果。
-
新的基准System1-Arena测试AI决策速度与准确性
研究人员推出了System1-Arena，这是一个新的基准，旨在评估AI模型在做出离散决策方面的能力，区分“系统1”（快速、概率性）和“系统2”（基于推理）的方法。该基准包含92,000个问题，涵盖105个任务和138个闭环环境，测试模型在从文本分类到机器人和驾驶等复杂代理任务的各种能力。初步评估显示，大型系统1模型在准确性和概率校准方面可以媲美甚至超越快速的闭源LLM，而延迟却只有一小部分，尽管生成式推理模型在显著更高的成本下实现了…
-
新的REASON方法通过系统1/系统2方法改进机器学习模型
研究人员开发了一种名为REASON（用于结构化优化网络的鲁棒解释性分析）的新方法，以提高机器学习模型的性能，尤其是在分布变化和扰动下。REASON采用了一个受系统1/系统2认知框架启发的双循环机制。一个快速循环利用现有证据处理错误，而一个较慢的、类似系统2的循环则在需要时主动寻求更多信息。实验表明，这种方法在提高准确性的同时，比同类方法使用了更少的计算资源。
-
GPT-6-Astra 展示具身能力但缺乏实用智能
一篇新研究论文探讨了 GPT-6-Astra 的能力，该模型在机器人操控和导航方面展现出显著的能力。尽管 GPT-6-Astra 通过上下文学习在各种基准测试中取得了前所未有的性能，但其在现实世界中的部署凸显了挑战。这些挑战包括收集机器人演示用于训练的成本高昂、执行时间受限，以及尽管跨过了具身能力门槛但实现实用具身智能的困难。
-
新的REASON框架使用系统1/2循环实现鲁棒的AI学习
研究人员开发了一个新颖的双循环推理框架，称为REASON，其灵感来源于系统1/系统2认知范式，以增强结构化优化网络。该框架旨在通过采用一个快速的、类似系统1的循环进行即时基于证据的解决，以及一个较慢的、类似系统2的循环在需要时主动寻求额外信息，来解决残余错误。实验表明，这种方法在分布偏移和损坏下提高了鲁棒性，同时计算量约为完整系统2循环的一半。
-
AutoTrust AI 发布 JEV-27B 决策模型，采用 Blocks of Experts 架构
AutoTrust AI 发布了 JEV-27B，这是一款开放权重决策模型，专为高速、结构化判断而设计，解决了使用大型语言模型处理狭窄任务的低效问题。JEV-27B 受到丹尼尔·卡尼曼（Daniel Kahneman）的系统 1 和系统 2 思维的启发，在一个前向传播中优化了快速、校准的概率分布，使其适用于大规模内容审核等操作任务。该模型采用了 Blocks of Experts (BoE) 架构，冻结了 Qwen3.8-27B 主干…
-
新方法大幅降低为大型语言模型添加技能的成本
研究人员开发了一种名为“.method”的参数高效方法，用于将技能注入冻结的语言模型中，与现有方法相比，成本显著降低。这项新技术使用低秩激活引导机制，在保持甚至提高各种任务性能的同时，可以大幅减少参数。该方法已被证明在不同模型和任务上都有效，技能像线性算子一样组合，可以在推理时进行操作。
-
System 1 模型通过模型路由提供更快、更便宜的 AI 替代方案
一种名为 System 1 模型的新方法旨在提供比前沿 AI 模型更快、更具成本效益的替代方案。该系统集成了多个较小的模型，包括 Jev、Laya、Kev 和 Nimble，并利用路由器为给定任务选择最合适的模型。概念验证展示了该路由器通过 LiteLLM 代理路由请求。
-
大型语言模型（LLM）缺乏AlphaGo的推理能力，依赖模式补全
尽管2016年AlphaGo战胜李世石被视为机器直觉的展示，但作者认为这实际上是一种复杂的推理形式，结合了用于直观落子的策略网络和用于评估未来后果的搜索机制。这种双重系统与当前的大型语言模型（LLM）形成对比，后者主要依赖于类似系统1的下一个词元预测过程。尽管链式思考（chain-of-thought）提示等技术提高了LLM的性能，但它们仍然缺乏独立的推理引擎，依赖于迭代的模式补全而非真正的审议。作者认为，未来的AI系统需要真正的推理…
-
新框架Fast-TD-MPC提高了机器人控制效率
研究人员开发了Fast-TD-MPC，一个用于数据驱动模型预测控制的新框架，旨在提高连续控制任务的效率。该系统受人类认知过程的启发，能够自适应地快速执行策略和更审慎的规划之间切换，将密集计算保留用于复杂状态。这种方法在保持103个控制任务的竞争性性能和干扰下的鲁棒性能的同时，实现了高达四倍的推理速度。
-
对非生成式AI模型进行生物安全风险审计
一篇新的arXiv论文研究了非生成式“System-1”模型在生物安全任务中的可靠性。该研究使用来自大规模杀伤性武器代理（WMDP）和LAB-Bench数据集的超过6000个多项选择题，审计了一个商业System-1模型。虽然准确性因任务而异，但当其不确定性字段被正确解释时，该模型表现出合理的校准和错误检测能力。然而，研究还发现，该模型对答案选项的顺序非常敏感，尤其是在网络安全相关的项目上，这表明跨不同选项顺序平均概率可以提高性能。
-
Autotrust发布具有快速视觉能力的JEV多模态模型
Autotrust已发布两款新的多模态模型JEV-27B-VL和JEV-9B，可在Hugging Face上获取。JEV-27B-VL专为图像到文本任务设计，可与Transformers、vLLM和SGLang等库集成。JEV-9B模型是Qwen3.5-9B的演进版本，集成了“系统1”快速决策层和“系统2”推理层，使其能够以惊人的速度和准确性执行机器人手臂操作和计算机界面控制等视觉任务。
-
神经符号循环在生产环境中对抗 LLM 幻觉
本文提出了一种“神经符号循环”来解决大型语言模型 (LLM) 在生产应用程序中使用时出现的幻觉问题。文章认为，作为“系统 1”（直观和创造性）的 LLM 需要与“系统 2”（严谨和确定性）的符号求解器和图数据库相结合。所提出的架构强制 LLM 生成的产物（如代码或查询）通过验证过程，以确保在影响生产环境之前具有逻辑和数学上的一致性。文章讨论了使用 TypeScript 实现来自动捕获、解析和纠正 LLM 错误。
-
双过程AI框架提升机器人运动规划效率
研究人员开发了一种新颖的双过程运动规划框架，用于机器人系统，其灵感来源于“思考，快与慢”范式。这种神经符号方法结合了基于学习的模块（系统1）的效率和符号求解器（系统2）的鲁棒性。一个元认知控制器动态管理这些系统之间的交互，从而提高了规划效率、准确性以及在各种基准环境中的泛化能力。研究结果表明，将结构化推理与学习相结合是创造更强大、更适应性强的机器人的有前途的途径。
-
DeepInsight II 论文弥合了 AI 基准测试与机器人部署之间的差距
一篇新的研究论文 DeepInsight II 提出了一种方法论，以弥合 AI 模型基准测试与真实世界机器人部署之间的差距。该研究通过重现现有基准测试，然后将其扩展到物理机器人试验，来量化具身 AI 堆栈。这种方法可以对模拟和真实世界的性能进行直接比较，识别模拟到现实（sim-to-real）的差距，并根据经验证据进行诊断和修复。
-
新的元认知框架增强了大型语言模型的自我意识和调节能力
研究人员开发了一个新颖的元认知框架，旨在增强大型语言模型（LLMs）集成中的自我意识和自我调节能力。该框架通过元认知状态向量（MSV）量化了包括情感反应和冲突检测在内的五个维度的自我意识。MSV随后指导系统根据查询复杂度在快速的系统1和审慎的系统2处理之间切换，并通过图论算法为系统2任务分配专门的大型语言模型节点角色。概念验证实现证明了该方法的可能性，可视化了元认知过程并展示了适当的路由和角色分配。