你有没有过这种体验：开车走熟路的时候脑子基本是空的，手脚自己就动了，可一旦前面突然堵车或者导航显示绕路，你就会突然"清醒"过来，开始认真思考该怎么办。
这篇论文的作者就是从这种感觉出发的。他是个老玩家,玩《毁灭战士》（Doom）这种第一人称射击游戏的时候发现，顺的时候脑子是"关掉"的，纯粹靠反应打；但一旦卡住了，比如一扇门打不开，或者一个敌人怎么打都打不死，脑子里就会突然冒出"内心独白"，开始琢磨对策，而且往往就是这个"想一想"的动作，让游戏重新推进下去。
这其实是认知科学里一个很老的话题，叫双系统理论,也就是常说的"系统一，系统二"：系统一快、不费脑子，系统二慢、费脑子但管用。心理学家丹尼尔·卡尼曼在《思考，快与慢》里把这套说法讲得很清楚。但卡尼曼讨论的是人脑,这篇论文要问的是:**如果让AI也这样切换,会发生什么?**
这件事放在AI agent（智能体）的设计上，变成了一个很具体的工程问题：你有一个跑得很快但偶尔会犯傻的"快系统"，还有一个想得很慢但更靠谱的"慢系统"（通常是个大语言模型），什么时候该把方向盘交给慢系统？交多久？交的时候游戏是暂停等它想，还是继续往前跑？
这篇论文就是在搞清楚这几个问题，而且是在一个会"不等人"的实时环境里，也就是Doom游戏本身。
**核心的难题是什么**
先说说过去的研究都是怎么处理"快慢切换"的。
在那种一步一步来、系统会乖乖等你的"回合制"场景里，比如很多文字类任务型AI，研究者们已经试过不少办法。SwiftSage这个系统会在遇到"没拿到奖励"或者"做了无效动作"的时候触发慢思考；CogniWeb给网页浏览agent设计了类似的"卡住"检测；还有一批工作干脆每一步都让AI自己决定该用多深的推理，比如FAST、Talker-Reasoner这些框架。
机器人领域的做法也类似，比如Inner Monologue和DoReMi这两个系统，都是靠执行反馈或者视觉检测器发现"任务失败了"，然后触发重新规划。
但这些场景有个共同点：**系统不着急，可以先暂停、等慢系统想完再继续**。
真正的麻烦出现在"实时"场景里，也就是环境根本不等你。这种情况下，过去的做法基本是让慢系统一直在后台跑，比如DPT-Agent和AgileThinker这两个系统，慢思考和快反应是两条并行的线程，谁也不等谁；或者像机器人策略模型GR00T N1那样，慢系统按固定节奏跑，不管你是不是需要它。
这就好比你雇了一个随时待命的顾问，不管你是不是真的需要建议，他都在旁边一直思考、一直花钱。
这篇论文想做的不一样：**让快系统一直在干活，接管每一个决策，只有触发了某个"门"（gate）的时候，才把这一刻的决策权临时让给慢系统，而且游戏不暂停，慢系统边想游戏边继续跑。**
这就是论文标题里"System Switch"（系统切换）的意思。
想象你开车时用的语音助手，正常情况下你自己开车（快系统），只有在你犹豫不决或者明显走错路的时候，才打开导航让它重新规划（慢系统），而且车不会因为导航在重新计算就停在路中间，它会继续往前开，哪怕开的方向暂时还是错的。如果导航每次重新计算路线都要求车停下来等它，那你根本没法在高速上开车，这就是"实时"和"回合制"的根本区别。
**用什么模型做这件事**
论文选的快系统，是2026年9月前后冒出来的一批叫"System One"的开源"类型化决策模型"。
类型化决策模型：这类模型只回答结构固定的问题，比如"选择题""打分题""是否题"，一次前向传播就给出答案和对应的置信度，不像生成式大模型那样一个字一个字往外吐。
这批模型包括Laya、Kev、Lev、Julia、Clef、OpenJev、Strands Decider、CLM等等，参数量从0.15B到9B不等（B代表十亿参数）。它们的好处是快，坏处嘛，论文后面会告诉你，坏处不少。
慢系统则是两个带视觉能力的推理大模型，Qwen3.6-35B-A3B和Gemma 4 26B-A4B-it，都可以选择开不开"推理模式"（也就是让它先写一段思考过程再给答案）。
把这两类模型连起来的，是llama.cpp这个开源推理框架新加的一个统一接口/v1/systemone，所有System One模型都通过这个接口来调用，省去了每个模型单独写适配代码的麻烦。
实验场地选在了doomLaya这个项目上，它把经典游戏Doom改造成了一个"类型化决策任务"：每过0.5秒游戏时间，系统就会给AI一份文字版的游戏状态（血量、护甲、看到的敌人、物品、门），然后问两个选择题，一个是"接下来该做什么指令"（攻击敌人、捡东西、开门、去出口、撤退、探索、等待），一个是"该用什么武器"。
游戏里还内置了一个oracle（规则专家）：根据固定规则给出"标准答案"，比如看到敌人就该打，东西不需要就别捡，门挡路就该开。这个专家从来不会说"你该去探索"或者"等一等"，这个设定后面会很关键。
**第一个发现：AI天生爱囤货**
论文测试了一批零样本（也就是没有专门针对这个游戏训练过）的System One模型，结果发现了一个挺有意思的毛病：这些模型都特别喜欢选"捡东西"这个选项。
具体数字是这样的：游戏里一道"该做什么"的题平均有7.5个选项，其中3.6个是不同的"去捡某个东西"。按理说，如果一个模型答错了，错误答案应该是随机落在各个错误选项上的，但实测下来，这些模型答错时选中"捡东西"的概率，比随机情况要高1.6到1.8倍。
只有一个模型例外，Kev 0.8B，它的各选项概率几乎是均匀分布的，所以反而没有这个偏好。而两个推理大模型，如果不开推理模式也有这个毛病（1.8倍），一旦打开推理模式，这个偏好会减弱但没消失（降到1.4倍）。
更有意思的是，这个偏好跟选项的排列顺序没什么关系。研究者把选项顺序打乱了重新测，这个"爱捡东西"的倾向基本不变（还是1.6到1.8倍），说明这不是什么"选项排前面更容易被选"的位置效应，是模型真的学到了一种"捡东西总是不会错"的直觉，尽管这个直觉在很多场景下是错的。
但选项顺序对别的事情影响很大。游戏里选项本来是按固定顺序排的（敌人、物品、门、出口、撤退、探索、等待），而且有41%的题目正确答案恰好是排在第一位的选项。打乱顺序之后，有些模型掉得很惨：Strands Decider从0.59掉到0.38，Kev 9B从0.60掉到0.50。研究者查了一下原因，发现Strands Decider在固定顺序下有65%的概率直接选第一个选项，这说明它根本没真的理解问题,只是学会了"选第一个"这种捷径。
这就好比考试的时候，有个学生发现老师出的选择题正确答案常常排在A，于是他直接养成了"看到不确定就选A"的习惯，平时考试成绩看着还不错，但一旦换一份把选项顺序打乱重排的卷子，他的真实水平马上就露出来了。如果不检查这种"位置偷懒"现象，你会误以为模型真的学会了做题，实际上它只是记住了排版规律。
研究者还发现，专门针对这个游戏做过训练的模型，表现并没有想象中那么好。比如Laya的微调版本Laya-v3，在用来调参的验证集上准确率有0.725，但换到没见过的新种子地图上，直接掉到0.585,跟零样本的原版Laya差不多水平，主要问题是它一到门口就想捡东西（"开门"这个类别的准确率只有0.39）。另一个训练过的doomGemma模型表现稍好一些，但从验证集的0.963掉到新数据上的0.860，也印证了一个老问题：在小数据集上调出来的模型，很容易"背题"而不是"学会"。
**第二个发现：准不准、信不信、靠不靠谱，是三件不同的事**
这是整篇论文里我觉得最值得琢磨的一个结论。
我们直觉上会觉得，一个模型如果答得准，那它给出的"置信度"（也就是它自己说"我有多确定"）应该也更可靠。论文告诉你，这事没那么简单。
论文区分了三个概念。
准确率：模型答对题的比例，这个好理解。
校准度（用ECE，也就是期望校准误差来衡量）：模型说"我有90%的把握"的时候，是不是真的90%的情况下答对了。校准好的模型，说多少把握就有多少把握，不会虚高也不会谦虚。
敏感度（用AUROC，也就是曲线下面积来衡量）：模型的置信度能不能区分"这道题我大概率答对了"和"这道题我大概率答错了"，哪怕它整体准确率不高，只要它答对的时候置信度明显比答错的时候高，这个敏感度就是好的。
论文发现这三者是互相独立的。举个例子，有五个零样本模型的整体准确率都在0.54到0.60之间，几乎是同一个水平线上，但它们的AUROC（敏感度）从0.60一路散开到0.89。换句话说，**准确率相近的两个模型，一个的置信度几乎是胡说，另一个的置信度却能相当准地告诉你"这题我可能错了"**。
更具体一点，有两个版本的Laya模型，一个是基础版，一个是经过"类型化决策"微调的版本，这俩准确率几乎一样，但敏感度（AUROC）分别是0.89和0.77，差距非常明显，而且置信区间不重叠，说明这不是误差范围内的巧合。
校准度也不能预测敏感度。校准最好的两个零样本模型（ECE只有0.10），敏感度排名却是中等水平；而那几个"过分谦虚"的模型（自己说的把握明显低于实际准确率），敏感度反而排在前面。
这里面还有个更细的分层：敏感度本身也分两种类型。基础版Laya整体敏感度最高（0.89），但如果你只看"同一类问题内部"，比如都是"要不要去捡东西"这类题，它的置信度就完全区分不出哪个答对哪个答错了（降到0.52，几乎跟瞎猜一样）。它真正厉害的地方是能分辨"哪一类场景我容易翻车"，比如它在"打架"和"开门"这两类题上几乎都对，在"去出口"和"捡东西"上经常错，而置信度刚好跟着这个规律走。相反，Strands Decider和Kev 9B表现出的是另一种敏感度，同一类题目内部能区分对错（0.77和0.74），整体上却不太行。
这种差别为什么重要？因为后面要讲的"把不确定的决策甩给慢系统"这个策略，依赖的恰恰是第一种敏感度，知道"哪类场景我容易翻车"，而不是"这一道具体题我是不是错了"。
这就像一个新手司机，他可能说不清楚自己这一次具体转弯打得好不好，但他清楚地知道自己"倒车入库"这个动作一向不稳，而"直线加速"从来没出过问题。如果教练只看他某一次操作时嘴上说的自信程度，可能完全看不出规律；但如果看他在不同科目上的整体表现差异，规律就非常明显。这正是论文里说的"知道自己不知道什么"，这件事比笼统地看一个置信度分数要复杂得多。
**第三个发现：把不确定的决策甩给慢系统，到底值不值**
搞清楚了"置信度不是随便能信的"这件事之后，论文接着做了一个很直接的实验：把快系统最没把握的一部分决策，交给慢系统重新回答，看看整体准确率能不能提上去。
这套思路在机器学习里有个专门的名字,叫级联（cascade）或者选择性预测（selective prediction）：便宜的模型先上，碰到搞不定的再交给贵的模型，省钱又保效果。
结果非常清楚地验证了前面那个发现：**一个模型的敏感度（AUROC）越高，把它的"没把握"决策甩给慢系统带来的收益就越大**。
用敏感度最高的基础版Laya（AUROC 0.89）做实验，把它最没把握的30%的决策交给开了推理模式的Qwen3.6，整体准确率从0.56一下子跳到0.75,这个成绩已经非常接近一个"完美选择器"（也就是精确知道哪些题会答错、专挑那些题甩出去）能达到的理论上限0.76。而且这个效果，只调用了30%的次数就达到了慢系统单独作战时的水平（0.69），相当于省了70%的算力还打平甚至超过了纯慢系统。
反过来，用敏感度最低的两个模型（Kev 9B和Strands Decider，AUROC都在0.60左右）做同样的实验，效果几乎为零，甚至还略微为负。而这两个模型恰恰是**零样本模型里准确率最高的**。
这个结论挺反直觉的：**你以为该用来做"快系统"的，应该挑那个单独测试时分数最高的模型，但论文告诉你，更该看的是它的置信度靠不靠谱，而不是它本身答得准不准。**
研究者还很小心地检查了这个结果有没有"自己给自己打分"的嫌疑。他们把42场游戏随机分成两半，在一半上选模型和甩锅比例，在另一半上验证效果，重复500次。结果基础版Laya在489次里都被选中,这个结论很稳,在没见过的那一半数据上，相对于随机甩锅的收益是+0.13（置信区间0.08到0.18）。
打乱选项顺序之后再测一遍，同样的规律依然成立：收益跟敏感度排名高度相关，相关系数达到0.87（这是在18组"模型-顺序"组合上算出来的）。
另外论文还专门验证了"推理模式"本身值不值钱。如果让慢系统不开推理、直接给答案，它本身准确率只有0.58，而且会跟快系统一样有"爱捡东西"的毛病（97%的错误都选了捡东西选项），这时候甩锅带来的收益从+0.15掉到+0.07,也就是说，**推理过程本身大概贡献了一半的收益**，剩下一半纯粹是因为慢系统换了个"大脑"。
这就像公司里把疑难案子转给专家处理这件事。如果专家只是换了个人、但没有多花时间认真琢磨，效果会打折；真正值钱的，一半是"换了个更强的大脑"，另一半是"这个大脑真的坐下来仔细想了"。如果你只换人不给思考时间，等于白白浪费了专家资源的一半价值。
**第四个发现：真实游戏里，谁都没走到终点**
前面讲的全是"离线"实验，也就是拿录好的题目测，不涉及游戏实时运行。真正有意思（也更让人沮丧）的部分，是把这整套机制塞进真实游戏里跑的"闭环"实验。
研究者在Doom的MAP01地图上，用三个随机种子，测了一堆不同配置，总共跑了33场游戏。配置包括：完全不开慢系统的对照组；一个"裸"的慢系统（没有额外知识，没有承诺机制）；加了一些游戏基础知识提示的版本；只在"不确定"触发时开慢系统的版本；只在"没进展"触发时开慢系统的版本；两种触发都开的版本；去掉画面只给文字的版本；去掉基础知识提示的版本；还有一个对照组,把"思考"换成一个固定的"去探索"规则，但用同一个触发机制。
结果是：**没有一个配置真正走到了游戏的出口。**
这个结果挺扎心的，但往细看，差异还是很有信息量的。
先说"承诺机制"（commit），这是指慢系统一旦定了一个计划，就会让这个计划持续执行，直到执行器报告完成、报告做不到、受到了一波伤害，或者过了45秒,而不是每半秒钟就重新问一次慢系统该干什么。有了这个机制之后，地图探索的覆盖面积和开的门数都明显增加（覆盖格子数从61格涨到83格，开门数从5扇涨到8到9扇）。
但更让人意外的是，那个"固定探索规则"的对照组（根本没有AI思考，纯粹是触发了就执行一个写死的"去探索"命令），表现跟真正思考的版本几乎一样好，覆盖面积同样是83格，开门数9.7扇。
换句话说，**在"覆盖地图、开更多门"这两件事上，起作用的主要是"坚持执行一个计划"这个机制本身，而不是慢系统到底想出了什么高明的策略**。
这就好比一个团队开会讨论半天制定出的行动计划，和主管直接拍板说"大家先按老办法做，别议论了"相比，前期推进速度可能差不了多少,因为很多时候项目卡壳不是因为缺好点子，是因为大家一直在原地打转重新讨论。如果你不先解决"别议论了，先做"这个问题，再好的点子也落不了地。
但慢系统也不是毫无用处，它在"死亡次数"上明显占优：用固定探索规则的那组死亡次数更多（每局平均2.7次，比真正思考的那组1.3次高了一倍）。换到基础版Laya上这个差异更夸张（固定规则3.7次，思考版本0.7次）。
而且很有意思的一点是，基础版Laya如果完全不开慢系统，三局游戏里都一动不动地站在原地（只走到了1个格子），一旦接上这套触发机制，哪怕只是接上固定探索规则，它立刻就开始正常玩游戏了（覆盖81格，开9扇门）。这说明这套"触发-接管"的机制，哪怕背后换成一个很笨的固定规则，也能让一个"卡死"的agent重新动起来。
**最有价值的部分，是研究者去读了慢系统在思考时写下的每一句话。**
论文把这些"内心独白"摘录出来分析，发现了一个很具体的失败链条。一开始，没加任何额外知识的裸慢系统，诊断问题的能力还不错，比如它会说"我好像卡在一个循环射击的死局里"，或者"这个红卡拿不到"，诊断是对的，但给出的解决方案几乎总是"去捡最近的东西试试",24次思考里有22次都是这个结论，"去探索"这个选项它压根没想过。
研究者于是给慢系统加了一点Doom游戏的基础知识提示，告诉它"有些门需要钥匙才能开"。这下诊断能力真的提升了，比如它开始能说出"这门需要黄钥匙，我没有，得去探索找找看"。但问题也随之而来：**这个基础知识被用错了地方**。
游戏里的状态信息只会告诉AI"这是一扇关闭的门"，但从来不会告诉它这扇门到底是普通门还是上锁的门。结果，当慢系统碰到一扇其实没锁、只是普通关着的门时，它会想"这门肯定需要钥匙，我没有钥匙，所以我得去探索找钥匙",但实际上这扇门根本不需要钥匙,只要换个方向推一下就能开。研究者统计发现，所有25次"计划失败"的案例里，全部都是因为一扇关闭的门挡住了执行器，而其中17次，慢系统的结论都是"需要钥匙"。
这就好比一个新来的保安被告知"有些门是锁着的，锁着的门不能硬推"，结果他看见每一扇关着的门就以为是锁着的，从来不去试试把手，错过了一堆本来一推就开的门。如果不告诉他这条规则，他可能会乱撞；告诉了他，他又变得过度谨慎。问题的根子不在于"该不该告诉他这条规则"，而在于他**根本没有办法从眼前这扇门本身分辨出它到底锁没锁**，这是信息本身的缺失，不是知识多少的问题。
去掉基础知识提示之后，慢系统又变回了"碰到关门就想去捡东西"的老路子（45%的思考都是捡东西），只是不会乱猜钥匙的事了。
论文还测了去掉游戏画面、只给文字状态会怎样,结果慢系统思考的时间反而变长了（中位数29秒一次思考，而且16次思考里有9次超过了4000个token的推理上限，被迫在没想完的情况下强行给答案），覆盖的地图范围也更小了（64格）。这提示画面信息其实在帮慢系统更快拿定主意，不给它看，它反而想得更久、想得更乱。
还有个挺实在的问题是时间成本。开了基础知识和承诺机制之后，慢系统有38%到70%的游戏时间都在"忙着想"，而且它制定计划所依据的那一帧画面，到计划真正执行的时候，已经是9到29秒之前的旧画面了。游戏里9到29秒足够发生很多变化，这意味着慢系统有时候是在"看着过去的照片做决定"。
**写在后面**
读完这篇论文，我印象最深的不是任何一个具体的数字，是那个"门锁"的细节。
研究者给AI加了一条看似无害的常识,有些门需要钥匙，这在另一张地图（MAP02）上确实是对的，那张图里真有一扇门锁着需要黄钥匙。但搬到MAP01上，同一条常识变成了一个认知陷阱，因为AI没有能力分辨眼前这扇具体的门到底符不符合这条常识。
这件事让我想到一个更大的问题：**我们给AI系统"喂知识"这个动作，本质上假设了AI能分辨这条知识什么时候该用、什么时候不该用**。但这篇论文里的AI做不到，它只能机械地套用，碰到状态信息无法验证的场景，就会把一条本来正确的常识用错地方。这跟人类小孩学规则其实很像,大人告诉孩子"陌生人给的东西不能随便吃"，结果孩子连亲戚给的糖都不敢吃了，因为他分不清"陌生"和"熟悉"的边界在哪，规则本身没错，但执行规则需要的判断力，恰恰是最难教会的那一部分。
另外一个让我意外的发现是，那个什么都不懂、只会执行"去探索"这条死规则的对照组，在覆盖地图这件事上几乎追平了真正会思考的AI。这多少打击了一下"AI思考一定比死规则强"的朴素想象,至少在这个任务的这个维度上，真正值钱的是"坚持做一件事别反复折腾"这个纪律性，不是思考本身的智慧。但思考确实在另一个维度上证明了自己的价值,活下来的次数明显更多。这说明"思考"和"规则"这两件事可能分别擅长解决不同的问题，谁也不能完全替代谁。
论文最后也挺诚实地承认，这整套实验规模还很小,33场游戏、一张地图、三个随机种子，没有一局真正打穿游戏，这些结论更多是"行为观察"而不是"成功率的确定性证明"。而且作者承认自己没有系统性地核查过慢系统写的那些"内心独白"是不是真的忠实反映了游戏状态，只是零星检查了几个案例。这种克制和诚实，在一篇充满了具体数字和细致分析的论文里，反而让人更愿意相信前面那些结论是靠得住的。
如果快系统的置信度能够准确标注出"我哪类场景容易翻车"，而不是笼统地说"我这题可能错了"，那是不是意味着，设计一个好的AI系统，第一步不是让它变得更聪明，而是让它先诚实地认识自己的短板？
Q&A
Q1：System Switch是什么？
A：System Switch是论文提出的一套"快慢系统切换"机制，让一个快速决策模型负责游玩Doom游戏的每一步决策，只有在触发特定条件（比如连续低置信度、卡住不动、动作被阻挡等）时，才把当前决策权临时交给一个更强的视觉推理大模型，同时游戏保持实时运行不暂停。
Q2：为什么准确率高的AI模型反而不适合用来判断该不该求助慢系统？
A：论文发现模型的"准确率"和"置信度是否靠谱"（敏感度/AUROC）是两件独立的事。实验中准确率最高的两个零样本模型（Kev 9B和Strands Decider）置信度几乎没有区分能力，把它们的低置信度决策甩给慢系统几乎没有收益；反而是敏感度最高的基础版Laya模型，哪怕准确率中等，甩锅后整体准确率能从0.56跳到0.75。
Q3：论文里的AI最终有没有在Doom游戏里走到终点？
A：没有。论文在MAP01地图上用三个随机种子跑了33场闭环游戏测试多种配置，没有一个版本真正到达游戏出口，最接近的一次也只是在4米开外。研究者认为问题的根子在于游戏状态信息本身不足以让AI分辨"门锁没锁"，而不是推理能力不够强。
