Lev复用权重，通过重复计算加深决策
里海大学等机构研究者提出决策模型Lev，以重复计算而非生成token来增加推理深度。据研究作者介绍，Lev用同一组权重支持多个计算深度，并由轻量停止机制决定运行多少轮。模型在每轮后读出候选项概率，各轮联合训练。在公开的231题JevBench上，同一个Lev-2.6B checkpoint的项目记录显示，一轮准确率为63.2%，四轮为76.2%，在checkpoint权重不变的情况下提高13.0个百分点。报道说明，这些数字是按项目主页记录重绘的回放实验数据，并非实时推理结果。
Lev提供了一种用同一组权重控制决策深度的开源方案，并可让需要更多计算的题目运行额外轮次。报道将其架构描述为“System 1.5”式设计，在保留直接决策接口的同时，允许较难题使用更深计算。报告还称，使用k轮时只需计算前k轮；但相关基准数字来自项目记录，而非实时推理结果。
11月2日消息，近日，来自美国宾州里海大学 Lehigh University 等机构的研究者提出 Lev，一个用循环而不是 token 来加深思考的决策模型。Lev 在每一圈之后都读出一次选项概率，各圈联合训练，所以同一份权重可以在任意深度作答；一个轻量的停止器再按题目决定算几圈。
作者把这种计算方式称为 System 1.5 ：保留 System 1 直接给出决定的接口，又能像 System 2 一样在难题上多花计算。
Lev 逐圈作答（按项目主页记录的逐圈读数重绘，回放实验数据，不是实时推理）：例 1 第 1 圈就选中正确答案 B，停止器判定可以停下；例 2 第 1 圈选 4，到第 4 圈改选正确答案 6。
从任务形态看，Lev 可以视为 OpenAI Decisions 式文本决策的一个独立开源实现，并多了一个「深度旋钮」。这里的「式」只指任务形态：给定输入和候选项，输出每个选项的概率。Lev 基于公开的 Ouro、Nanbeige 底座和 Kev 实现，不复刻 OpenAI 的模型权重、内部架构或 API，也没有与其产品做性能对测。
#Lev#Lehigh University#Ouro#Nanbeige4.2#Kev#JevBench#OpenAI Decisions