跳到正文
arXiv cs.AI· Siqi Lai, Haitao Li, Hao Liu·· 4 小时前AI 评分38

JevRSI:将 LLM 推理转化为可迁移决策支持的低成本递归自我改进框架

Think Once, Act Fast: Cost-Effective Recursive Self-Improvement for Decision Model Harness

AI 导读

JevRSI 是一个 System-1/System-2 协作框架,通过递归改进模块化 harness 把 LLM 推理转化为可迁移的决策支持。Jev 风格的 System-1 模型负责低延迟动作选择,异步 System-2 LLM 构建整合流程、状态记忆与世界模型的 harness,并以效用驱动检索挑选模块。

正文 · AI 翻译

查看 PDF HTML(实验性)

摘要:快速 System-1 模型能够实现响应式动作,但在复杂或不熟悉的任务上表现不佳。基于大语言模型(LLM)的 System-2 具备强大的推理能力,但反复调用会带来显著的延迟和计算成本。为弥合这一差距,我们提出 JevRSI,一种 System-1/System-2 协作框架,通过递归式 harness 改进将 LLM 推理转化为可迁移的决策支持。Jev 风格的 System-1 模型实现低延迟的动作选择,而异步的 System-2 LLM 则开发模块化 harness。该 harness 集成了过程、状态记忆和世界模型,以提供涵盖过去、现在和未来的决策上下文。效用驱动的检索根据上下文相关性及其在先前任务上的效用选择模块。环境反馈引导有针对性的修订,并实现递归式自我改进。在三个数据集上的实验表明,JevRSI 持续提升决策质量,在多种设置下达到或超越 LLM 智能体。它保持了低延迟执行,并具有有利的性能-成本权衡。此外,随着 harness 的演进,System-2 的开发干预减少,通过持续改进摊薄 System-2 成本。我们的项目见 此 https URL。
学科: 人工智能(cs.AI)
引用为: arXiv:2611.22432 [cs.AI]
  (或 arXiv:2611.22432v1 [cs.AI] 用于此版本)
  https://doi.org/10.48550/arXiv.2611.22432

由 DataCite 颁发的 arXiv DOI(待注册)

提交历史

来自:Siqi Lai [查看邮箱]
[v1] 2026年11月17日星期二 09:06:14 UTC(2,878 KB)

来源:arXiv cs.AI · arxiv.org