system-1-system-2

论文提出 conditional interaction 框架，通过 System-1 轻量预测器筛选高价值交互、仅让 System-2 执行被接纳的候选，从而以 1/ρ_u 因子降低执行计算成本，并主张以密度可测的 ρ_u 和 informative compute 更好地描述扩展效率。

该研究探讨如何让采用快速直觉式推理（System 1）的大语言模型展现出慢速、分析性的 System 2 推理能力，可能提出相应的训练或提示方法。

该论文提出 REASON 双循环推理框架，通过快速（System 1 式）和中速（System 2 式）循环分层解决残差误差，在分布偏移和未见扰动下以约一半计算量显著提升模型鲁棒性，并优于分级分类器和学习延迟方法。