SearchJev: A Fast and Calibrated System-1 Model for Search Agents
Aggiunta all'archivio di AIChronos il (numero del 6 ottobre 2026 ricostruito)· fonte del · Congfeng Cao, Lipeng Zuo, Konstantinos Papakostas, Qiwei Xu, Songwei Xu, Lun Zhou
SearchJev è un modello System-1 veloce e calibrato progettato per separare le decisioni di ricerca rapide dal ragionamento complesso del sistema 2. Il framework utilizza Soft-Label Learning for Calibrated Decisions (SLCD) per apprendere probabilità decisionali da supervisione incerta, evitando la generazione autoregressiva tradizionale. In un agente duale, SearchJev gestisce le scelte brevi delegando giudizi complessi al System 2, migliorando sia la velocità che l'accuratezza.
- SearchJev elimina il ritardo e l'inaffidabilità della fiducia introdotto dai modelli generativi per decisioni rapide su rilevanza ed evidenza.
- L'introduzione di SLCD permette di calibrare le probabilità decisionali riducendo significativamente l'errore di calibrazione attesa (41-74%).
- Il benchmark SearchDecision-Bench unifica sei tipi di decisioni di ricerca per facilitare addestramento e valutazione.
- Gli agenti duale con SearchJev raggiungono una velocità 3.7-4.7 volte superiore nel tempo di ricerca attivo rispetto ai modelli autoregressivi Qwen3.5 della stessa dimensione.
- L'accuratezza delle risposte migliora dal 45% fino al 54% su BrowseComp-Plus grazie alla separazione tra decisioni rapide e ragionamento profondo.
Perché conta. Per gli sviluppatori di agenti AI locali, SearchJev offre un modo per ridurre drasticamente la latenza delle inferenze mantenendo alta l'affidabilità senza sacrificare le capacità di pianificazione del System 2.
Vai alla fonte originale ↗ arXiv ↗
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.