コードがシミュレーションを担い、Jevが評価を担う

- 判断モデル（例：\jev{}）は、1回の呼び出しで推論テキストなしに各選択肢の確率を返す。 - エージェントの行動選択層として魅力的だが、どの決定を信頼できるか不明。 - 反射テスト、一回限りの行列ゲーム、テキストゲームALFWorld、ロボット制御で評価。 - 評価（入力記述から正しい選択肢を判断）は成功するが、シミュレーション（入力にない予測）が必要な場合は失敗する。

- 先行研究との具体的比較は要旨からは不明。 - 従来の判断モデルは評価とシミュレーションを同時に行う必要があったが、本研究はその境界を明確にし、コードにシミュレーションを任せることで性能が向上することを示した点が新しい。

- \jev{}を反射テスト、行列ゲーム、ALFWorld、ロボット制御でテスト。 - 評価とシミュレーションの区別を導入。 - コードが予測やシミュレーションを供給する（例：ALFWorldでの先読み、ロボット制御での物理シミュレーション）と、\jev{}が専門的なコントローラになる。

- 反射テスト：99%の直感に反する認知反射テスト問題を解決。 - 行列ゲーム：相手の行動が与えられないため、合理的な相手がランダムに行動するかのように準最適にプレイ。 - ALFWorld：タスク記述に名前のある物体や場所を好む。例：「clean knifeを引き出しに入れる」で、洗わずにナイフを引き出しに運ぶ。 - ロボット制御：物理シミュレーションを供給すると専門的なコントローラになる。

- 失敗の多くは知識不足ではない。相手の行動を別途尋ねると正しく答える。 - 1回の呼び出しでシミュレーションと評価の両方を行うと失敗する。 - コードに予測やシミュレーションを任せるべきという提案。

- 要旨で参照/比較されている研究：\jev{}、Cognitive Reflection Test、ALFWorld、行列ゲーム、ロボット制御。 - 関連手法：判断モデル、シミュレーション、評価、先読み、物理シミュレーション。