arXiv cs.AI· Yuchen Ling, Shengcheng Yu, Zhenyu Chen, Chunrong Fang·· 6 天前AI 评分36
Jev 加速智能体决策的实证研究：更快决策未必带来更好智能体
When Faster Decisions Do Not Make Better Agents: An Empirical Study of Jev in Agent Workflows
AI 导读
研究在 ALFWorld 与 AndroidWorld 两个场景、五类智能体、4500 次任务执行中评估 Jev 对决策效率的影响，发现 Jev 显著降低决策成本与延迟，但任务级收益因工作流而异。ALFWorld 任务成功率接近基线，两个移动端智能体成功率明显下降，辅助推理与额外交互吸收了决策节省，失败恢复与过早完成限制交付，某智能体单次尝试成本下降但每个成功结果的平均成本反而上升。
正文 · AI 翻译
摘要：AI 智能体依赖重复决策来完成任务，而大语言模型（LLM）通常充当其核心决策者。近期出现的 Jev 为更快、更低成本地做出这些决策提供了机会。然而，这种局部节省能否转化为高效可靠的任务完成仍不明确。本文在两种代表性应用场景——ALFWorld 中的具身任务和 AndroidWorld 中的移动应用使用——中，研究了五个智能体上的这种效率迁移。在 4,500 次任务执行中，我们联合评估了任务有效性、决策级与任务级资源使用以及执行行为。实验结果表明，Jev 集成在所有五个智能体中都大幅降低了决策成本和延迟，而任务级收益因工作流而异。在 ALFWorld 上任务成功率与基线接近，而在两个移动智能体上下降更为明显。辅助推理和额外交互吸收了决策节省，而失败恢复和过早完成限制了成功交付。即使单次尝试的支出下降，一个智能体的平均每次成功结果成本仍上升。这些发现凸显了在将高效决策模型集成到智能体工作流中时，保持进展、支持恢复和验证完成的重要性。其实际价值应通过成功任务交付、恢复行为和每次交付结果的资源来评估。
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.13092 [cs.AI] |
| （或 arXiv:2610.13092v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.13092 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Shengcheng Yu [查看邮箱]
[v1]
2026年10月9日星期五 06:45:23 UTC（242 KB）
来源：arXiv cs.AI · arxiv.org