这篇 arXiv 论文研究“双过程”智能体：一个快速学习型 actor 负责每一步决策，只在门控打开时才把控制权交给一个会推理的视觉语言模型，而游戏仍在继续运行。作者在闭环 Doom 环境与新的开放 “System One” 类型化决策模型上测试（0.15B–9B 参数、900 道留出问题），发现准确率、校准度与敏感度是三种不同能力：准确率相近的模型 AUROC 差异很大。离线把最不自信的 30% 决策转交推理模型，收益与 actor 的 AUROC 高度相关（秩相关 0.87），在留出游戏上增益为 +0.13（打乱选项顺序后 +0.08），其中约一半来自推理；但闭环实验（33 局、三个随机种子）中没有任何变体走到出口。