系统1模型漫游指南：超越LLM的快速决策

⚡ 一句话总结 AI 生成 · 以原文为准

关键结论

• 提出五族分类法：基于编码器的分类器、奖励模型、非自回归决策引擎、对比决策模型和抽取模型。
• 覆盖18个应用领域，梳理数周内出现的超过70个开源模型复现。
• 包含实践者清单、模型库和22道自测题，引用文献190篇。

📄 摘要AI 生成 · 以原文为准中文翻译英文原文

大语言模型擅长推理与生成，但其自回归、逐token的推理方式使其在许多常规决策（路由、门控、打分、分类）上显得不必要地缓慢、昂贵且校准不佳，而现代AI系统需要以亚秒级延迟完成这些决策。一类快速发展的模型填补了这一空白：系统1决策模型，即在单次前向传播中直接将输入映射为类型化、结构化决策的架构。本指南对该领域进行了全面且面向实践者的论述。我们提出一个五族分类法，涵盖基于编码器的分类器、奖励模型、非自回归决策引擎、对比决策模型和抽取模型，并深入介绍每一族的架构、训练方法及部署权衡。校准是贯穿全文的核心主题：我们发展了适当评分规则的理论，分析了用于校准决策的强化学习方法（RLCD），并考察了近期发现的现象，包括IIA违反、序数尺度偏差以及分布偏移下的少样本重校准。在集成方面，我们描述了系统1模型如何作为智能体工作流中的决策基础设施，以及基于校准置信度在快慢模型之间路由的系统1+系统2级联。本指南覆盖18个应用领域，梳理了快速发展的开源生态（数周内超过70个模型复现），全书提供可运行代码，并包含实践者清单、开源模型库以及22道带详细答案的自测题。全文引用190篇文献，旨在成为从事快速决策、校准与生产AI系统交叉领域的研究者与工程师的统一入门指南。