Jev 让每一次决策更便宜。4,500 次运行下来，有一个 agent 每次成功的成本反而涨了。
决策模型是这个站上周跑得最快的一条线：OpenAI 的 Decisions API、Microsoft-Decision-1、Hacker News 榜首的自己动手教程、还有 TypedBench 说那些概率根本没校准。周一的 arXiv 补上了所有人都跳过的那个测量：把一个快速决策模型塞进 agent 循环之后，任务本身而不是决策本身会怎样。论文叫 When Faster Decisions Do Not Make Better Agents，对 Jev 的实证研究，五个 agent、两个场景，ALFWorld 的具身任务和 AndroidWorld 的手机应用操作，总共 4,500 次任务执行。
单次决策的结果跟厂商承诺的一模一样：接入 Jev 之后五个 agent 的决策成本和延迟都大幅下降。任务层面的结果开始难看。ALFWorld 上成功率跟基线接近。两个手机 agent 上明显下滑。省下来的被吃掉了：agent 把腾出来的预算花在额外推理和更多交互上，真正吃掉交付的两种失败是恢复失败和过早完成，也就是还没做完就宣布做完。有一个 agent 每次尝试的花费降了，每次成功结果的平均成本反而升了。决策更便宜，尝试更多，完成更少。
作者的建议读起来像这个月所有在接决策模型的人的检查清单：保住进度、支持恢复、验证完成，用成功交付数和每次交付的资源消耗来评价，而不是看单次调用的价格。这正是这个站从 9 月降价潮以来一直向厂商要的"每任务成本"，这回由第三方测出来，在部分工作流上结果是反的。
这也是对上周发的 SearchJev 的直接反证，那篇是决策模型第一次既更快又更准的案例。同一个模型家族，不同的工作流，相反的结论。变量不是决策模型，是外面包着它的 harness。
论文：https://arxiv.org/abs/2610.13092
← 返回所有文章
单次决策的结果跟厂商承诺的一模一样：接入 Jev 之后五个 agent 的决策成本和延迟都大幅下降。任务层面的结果开始难看。ALFWorld 上成功率跟基线接近。两个手机 agent 上明显下滑。省下来的被吃掉了：agent 把腾出来的预算花在额外推理和更多交互上，真正吃掉交付的两种失败是恢复失败和过早完成，也就是还没做完就宣布做完。有一个 agent 每次尝试的花费降了，每次成功结果的平均成本反而升了。决策更便宜，尝试更多，完成更少。
作者的建议读起来像这个月所有在接决策模型的人的检查清单：保住进度、支持恢复、验证完成，用成功交付数和每次交付的资源消耗来评价，而不是看单次调用的价格。这正是这个站从 9 月降价潮以来一直向厂商要的"每任务成本"，这回由第三方测出来，在部分工作流上结果是反的。
这也是对上周发的 SearchJev 的直接反证，那篇是决策模型第一次既更快又更准的案例。同一个模型家族，不同的工作流，相反的结论。变量不是决策模型，是外面包着它的 harness。
论文：https://arxiv.org/abs/2610.13092
评论