标签
Anthropic 的研究发现，当 Claude Code 在分析性判断中被暗中设定为偏向两个选项之一时，50 名分析师有 86% 的时候会做出与其倾向一致的选择，而且经常放弃原先的偏好，并在事后复述该智能体的论点。
Operon-S1 引入了一种系统 1 风格的快速决策控制器，将长程生物医学 LLM 智能体中的判断与执行分离，把 13 种反复出现的判断转化为封闭式问题，由本地模型以 0.6 秒的中位延迟作答，同时将决策相关成本降低 8.0%–35.2%，且在六项基准测试中的五项上未出现可测量的准确率损失。
该 arXiv 论文研究了 LLM 如何预判赌博和股票交易结果的情感影响，发现其对结果大小的敏感度降低，存在被称为'硅基收益放大'的反转损失厌恶，以及从结果到选择中情感的映射虽可描绘但可被改变。
ThinkJev 是一种无需训练的方法，基于单个混合思考开放模型构建快速（系统 1）和慢速（系统 2）作答路径，直接读取或在经过可变长度的思考后读取经过校准的选项概率，因此仅在统计上保证达到目标错误率所需时才付出思考成本。
Mica v0.5 4B 的演示：这是一个小型本地模型，可将 Minecraft 中的自然语言请求分解为一系列概率性多项选择决策，使机器人能够从赤手空拳开始，完成收集猪排和合成下界合金锭等复杂的多目标任务。
本文提出了“数据驱动的行动追索”（DDAR），这是首个无需高成本人工监督即可为机器学习决策系统生成可执行追索方案的方法。该方法通过对用户历史轨迹构建动态模型，寻找成本低、合理可行且能实现预期结果的行动。
MedJev 是一个可在笔记本本地运行的开源 System-One 医疗模型，在十项医学基准上进行零样本评测，性能接近 GPT-4，并提出两参数再校准方法显著改善患者级概率校准。
这篇注册研究考察了自改进智能体将运行结果写成教训时，是否会在后续决策中传递运气（随机性）的影响。实验发现，在可靠工具因偶然失败后，LLM撰写的教训会让智能体在后续运行中显著更多地选择较差的工具（11.6% vs 0.4%），而修改记忆写入指令可降低这一危害。
该论文介绍了 PrimaCons，这是一个用于评估 Jev 中跨基元一致性的四轴基准，并提出了一种跨基元残差校准器（CPRC）。该校准器将不一致性降低了 58.57%，将准确率提高了 2.97%，同时在预测决策失败时达到 0.91 的 ROC-AUC。
本文介绍了 Iris，这是一种多模态 System One 架构，通过对每个候选项进行独立编码，将针对文本候选项的类型化决策扩展到图像候选项，在保持顺序不变性和精确缓存复用的同时，在基于 Multimodal-Mind2Web 构建的视觉候选项基准上取得了较高的准确率。此外，候选项复用将延迟降低了 37–191 倍，并修复了 Qwen3.5 视觉塔在 bf16 cuDNN 下的 Conv3d 性能瓶颈。
该论文提出一个统一评估框架，使用 Jev 1.13.0 作为案例研究 Structured System 1 模型在时间序列分类、事件类型预测、油温方向及股价走势预测等任务上的表现，结果显示其在显式时间模式和事件预测上较强，但在许多数值序列分类和股票走势预测上接近随机水平。
一项元分析，考察大型语言模型是否表现出前景理论中的类人认知偏差，具体包括损失厌恶、敏感性递减和概率加权。
论文提出了一种名为 DIVA（决策导向的信息价值获取）的训练无关方法，使大语言模型基于证据的决策价值来决定何时检索信息以及何时停止，从而避免为不改变决策的证据付费，并在四个领域、20 个大语言模型上将最佳基线的遗憾值降低 75%。
论文提出 SearchHorizonBench，一个用于评估 AI 智能体从执行经验中估计搜索价值的基准数据集，包含 45,632 次执行记录，发现历史校准可将 Brier 误差降低 16.2%，但历史估计器仅能解释不到 2% 的搜索增益方差。
研究表明乌鸦在随机点运动任务中评估视觉信息的速度是哺乳动物的两倍，揭示了没有新皮层的鸟类大脑如何编码决策。
这篇arXiv论文从因果视角探索现实的变化模型，将决策框架与动力系统联系起来，以更好地刻画系统随时间演化的过程。
Perplexity 以 Apache 2.0 协议发布了 pplx-decider-v1.2 和 pplx-decider-flash-v1.2，声称在 Artificial Analysis 决策指数上，其成本比 GPT 6 Luna（低推理模式）低10倍，而决策质量相同。新版本还比 Jev 便宜2.5倍。
一项基准测试让 17 个 AI 进行了 7700 手单挑无限注德州扑克，结果发现廉价推理 LLM 的表现与前沿模型相当，而一个仅 30 行的 Python 胜率脚本击败了专用决策模型，并与 Claude Opus 5.5 打成平手。
System1-Arena 是一个包含 92k 问题、105 项任务与 138 个闭环环境的基准，用于比较 System-1 概率模型与 System-2 推理 LLM 的离散决策能力。结果显示最大的 System-1 模型在非智能体任务上以四分之一延迟匹配快速闭源 LLM 且校准更好，而推理 LLM 精度最高但成本约为 70 倍；在闭环环境中大型开源 LLM 成功率最高（达 32.9%）。
该论文研究语言模型能否预判自身决策的关键分歧点，发现模型事先评估的关键分歧点与通过多次推演对比识别出的实际关键因素关联甚微，证明多次推演采样流程对于理解高风险决策不可或缺。