論文の概要: The Hitchhiker's Guide to System 1 Models: Fast Decision-Making Beyond LLMS

• arxiv url: http://arxiv.org/abs/2610.33775v2
• Date: Thu, 29 Oct 2026 03:58:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-30 22:39:27.489044
• Title: The Hitchhiker's Guide to System 1 Models: Fast Decision-Making Beyond LLMS
• Title（参考訳）: The Hitchhiker's Guide to System 1 Models: Fast Decision-Making Beyond LLMS
• Abstract要約: 大規模言語モデルは推論と生成において優れているが、その自己回帰的でトークン・バイ・トークン推論は必然的に遅くする。 成長するモデルのクラスは、このギャップに対処する。 このガイドは、この分野の包括的で実践的な扱いを提供する。
• 参考スコア（独自算出の注目度）: 1.7182268415564135
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Large Language Models excel at reasoning and generation but their autoregressive, token-by-token inference makes them unnecessarily slow, expensive, and poorly calibrated for the many routine decisions (routing, gating, scoring, classification) that modern AI systems require at sub-second latency. A growing class of models addresses this gap: System 1 decision models, architectures that map an input directly to a typed, structured decision in a single forward pass. This guide provides a comprehensive, practitioner-oriented treatment of the field. We propose a five-family taxonomy covering encoder-based classifiers, reward models, non-autoregressive decision engines, contrastive decision models, and extraction models, and we provide in-depth coverage of each family's architecture, training methodology, and deployment trade-offs. A central theme is calibration: we develop the theory of proper scoring rules, analyze Reinforcement Learning for Calibrated Decisions (RLCD), and examine recently discovered phenomena including IIA violations, ordinal-scale bias, and few-shot recalibration under distribution shift. On the integration side, we describe how System 1 models serve as decision infrastructure within agentic workflows and System 1 + System 2 cascades that route between fast and slow models based on calibrated confidence. The guide covers 18 application domains, maps the rapidly growing open-source ecosystem (over 70 model reproductions in weeks), provides runnable code throughout, and includes a practitioner's checklist, an open-source model zoo, and 22 self-assessment questions with detailed answers. Spanning 190 references, it is intended as a unified entry point for researchers and engineers working at the intersection of fast decision-making, calibration, and production AI systems.
• Abstract（参考訳）: 大規模言語モデルは推論と生成において優れているが、その自己回帰的でトークン・バイ・トークン推論は、現代のAIシステムが低レイテンシで要求する多くのルーチン決定(レイアウト、ゲーティング、スコアリング、分類)に対して、必要以上に遅く、高価で、不必要に校正される。 システム1決定モデル、入力を直接型付けされた構造化された決定にマッピングするアーキテクチャ。 このガイドは、この分野の包括的で実践的な扱いを提供する。 本稿では,エンコーダに基づく分類,報酬モデル,非自己回帰決定エンジン,コントラスト決定モデル,抽出モデルを含む5つの分類群を提案する。 我々は、適切なスコアリングルールの理論を開発し、校正決定のための強化学習(RLCD)を分析し、最近発見されたIIA違反、常軌偏差、分布シフトによる数発の再校正などの現象について検討する。 統合面では、エージェントワークフロー内の決定基盤として System 1 モデルがどのように機能するか、およびキャリブレーションされた信頼度に基づいて高速モデルと遅いモデルの間をルーティングする System 1 + System 2 カスケードについて説明する。 このガイドは18のアプリケーションドメインをカバーし、急速に成長しているオープンソースエコシステム(数週間で70以上のモデル再現)をマップし、実行可能なコードを提供し、実践者のチェックリスト、オープンソースのモデル動物園、22の自己評価質問を詳細な回答で紹介している。 190の参照を拡大することで、迅速な意思決定、キャリブレーション、生産AIシステムの交差点で働く研究者やエンジニアの統一的なエントリポイントとして意図されている。

関連論文リスト

• A Multi-Agent LLM System for Automated Tuning of Specialized Neural Network Models [40.466958947648486]
  マルチエージェントの大規模言語モデル(LLM)フレームワークには,分析,コーダ,レコーダという3つの役割がある。 MLスクリプト全体や検索アーキテクチャを個別の空間で最適化するシステムとは異なり、このフレームワークはオープンだがセマンティックに狭い空間で動作する。 この手法は,相関学習を用いた分類スパイクニューラルネットワークのチューニングと,物理インフォームドニューラルネットワーク(PINN)を用いた高次微分方程式の解法である。
  論文  参考訳（メタデータ） (2026-10-09T14:34:22Z)
• Model-Driven Discipline for Multi-Agent LLMs: Requirement-to-Verification Generation of Traceable System Models [62.62160094849002]
  RADIANTは、MDEとMulti-Agent Large Language Modelを組み合わせたエンジニアリング方法論である。 工学的なフェーズにまたがる異種モデルを自動的に生成する。 正確かつ自動的な変更インパクト分析を提供する。
  論文  参考訳（メタデータ） (2026-07-18T08:50:55Z)
• Position: Weight Space Should Be a First-Class Generative AI Modality [67.10702320971893]
  本稿では、モデルチェックポイントを第一級データモダリティとして扱うべきであると論じる。 重み空間における生成的モデリングは、コア機械学習プリミティブとして標準化されるべきである、と論じている。 私たちのゴールは、コミュニティの既定の考え方を、タスクごとのモデルの最適化から、学習した重量分布からモデルのサンプリングにシフトさせることです。
  論文  参考訳（メタデータ） (2026-05-18T16:38:26Z)
• Agentic World Modeling: Foundations, Capabilities, Laws, and Beyond [209.35045331678043]
  2つの軸に沿って組織された「レベルx法」の分類を導入します。 第一に、3つの能力レベルを定義している: 1段階の局所遷移演算子を学ぶL1 Predictor、それらをドメインの法則を尊重する多段階のアクション条件付きロールアウトに構成するL2 Simulator、新しいエビデンスに対して予測が失敗すると自己のモデルを自動で修正するL3 Evolver。 我々は400以上の作品を合成し、モデルに基づく強化学習、ビデオ生成、WebおよびGUIエージェント、マルチエージェント社会シミュレーション、AIによる科学的発見にまたがる100以上の代表システムを要約する。
  論文  参考訳（メタデータ） (2026-04-24T17:48:47Z)
• Human-aligned AI Model Cards with Weighted Hierarchy Architecture [5.774549987076668]
  LLM(Large Language Models)の普及は、専門的なドメイン特化モデルのエコシステムの肥大化につながった。 Model CardsやFactSheetsといった既存のドキュメントフレームワークは、レポートの標準化を試みるが、多くの場合は静的で、質的である。 我々は、静的開示からアクション可能な人間対応のドキュメントに移行する新しいアプローチである包括的責任AIモデルカードフレームワーク(CRAI-MCF)を紹介します。
  論文  参考訳（メタデータ） (2025-10-08T13:13:18Z)
• Every Step Counts: Decoding Trajectories as Authorship Fingerprints of dLLMs [63.82840470917859]
  本稿では,dLLMの復号化機構をモデル属性の強力なツールとして利用できることを示す。 本稿では、デコードステップ間の構造的関係を捉え、モデル固有の振る舞いをよりよく明らかにする、DDM(Directed Decoding Map)と呼ばれる新しい情報抽出手法を提案する。
  論文  参考訳（メタデータ） (2025-10-02T06:25:10Z)
• Optimizing Explanations by Network Canonization and Hyperparameter Search [74.76732413972005]
  ルールベースで修正されたバックプロパゲーションXAIアプローチは、モダンなモデルアーキテクチャに適用される場合、しばしば課題に直面します。 モデルカノン化は、基礎となる機能を変更することなく問題のあるコンポーネントを無視してモデルを再構成するプロセスである。 本研究では、一般的なディープニューラルネットワークアーキテクチャに適用可能な、現在関連するモデルブロックのカノン化を提案する。
  論文  参考訳（メタデータ） (2022-11-30T17:17:55Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。