システムスイッチ：高速意思決定モデルはいつ立ち止まって考えるべきか？

- 高速な学習済みactorと低速な推論モデルを組み合わせたdual-process agentの研究。 - ゲームが進行する中で、gateが開いたときのみactorからreasoning vision-language modelに制御を渡す。 - closed-loop Doomと新しいオープンな「System One」typed-decision modelsを共通のllama.cppインターフェースで提供。 - 900のheld-out質問で評価し、コード・プロンプト・データ・ログを公開。

- 従来のdual-process agentではslow modelが連続実行されるか、イベント駆動で呼ばれることが多い。 - 本研究は、ゲームが止まらないリアルタイム設定で、gateが開いたときだけreasoning modelに制御を渡す点が新しい。 - また、System One typed-decision modelsを共通インターフェースで提供し、actorのAUROCとdeferralの利得の関係を定量化。

- 高速actorが全決定を行い、gateが開くとreasoning vision-language modelに制御を委譲。 - ゲームは継続し、closed-loop Doomで評価。 - System One typed-decision modelsをllama.cppで提供。 - 900のheld-out質問で、zero-shot decision modelsの選択バイアス、精度・キャリブレーション・感度を分析。 - オフラインでleast confident 30%をreasoning modelにdeferし、random deferralと比較。 - actorとrateをheld-outゲームで選択。

- 900のheld-out質問で、0.15Bから9Bのzero-shot decision modelsがエラー時にアイテム収集を1.6-1.8倍選択することを確認。 - 精度・キャリブレーション・感度が異なることを示し、AUROCの違いを明らかに。 - オフラインでleast confident 30%のdeferralがrandom deferralより利得があり、actorのAUROCとrank correlation 0.87。 - held-outゲームでactorとrateを選択し、doomLayaのオプション順で+0.13 [0.08, 0.18]、シャッフルで+0.08 [0.02, 0.14]の利得。 - closed loop（33ゲーム、3シード）でexitに到達しないことを確認。

- closed loopではどのvariantもexitに到達しない。 - 計画へのコミット（reasonerまたは固定explore rule）がより多くのドアを開き、静止するactorを動かす。 - 固定ruleではagentがより頻繁に死ぬ。 - 一部のドアに鍵が必要と伝えると、reasonerは通常のドアを鍵付きと誤認し、状態から区別できない。 - その知識がないと収集に戻る。

- 要旨で参照/比較されている研究：dual-process agents、System One typed-decision models、llama.cpp、closed-loop Doom、doomLaya。 - 関連手法：reasoning vision-language model、AUROC、deferral。 - 同分野の定番：actor-critic、model-based RL、vision-language models。