Doom游戏里试AI双系统切换：慢思考不暂停，模型却爱囤货

开车走熟路时，脑子几乎是放空的，手脚自己就动了。可前面突然堵车，或者导航提示要绕路，人会一下“醒”过来，开始认真琢磨接下来怎么走。

论文作者就是从这种体验入手的。他是个老玩家，玩《毁灭战士》（Doom）这类第一人称射击游戏时注意到，打得顺的时候脑子像“关掉”了，全靠反应；一旦卡住，比如门打不开，或者某个敌人怎么都打不死，心里就会冒出“内心独白”，开始想对策。往往正是这个“想一想”的动作，让游戏重新往前走。

认知科学里管这个叫双系统理论，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。不过卡尼曼谈的是人脑，这篇论文要问的是：**换成AI也这么切换，会怎样？**

落到AI agent（智能体）设计上，这就成了一个很具体的工程问题。手头有一个跑得快但偶尔犯傻的“快系统”，还有一个想得慢却更靠谱的“慢系统”（通常是大语言模型）。什么时候把方向盘交给慢系统？交多久？交出去的时候，游戏是暂停等它想，还是照常往前跑？

论文要弄明白的就是这几件事，而且是在Doom游戏这种会“不等人”的实时环境里做。

**核心的难题是什么**

先看看过去的研究怎么处理“快慢切换”。

在那种一步一步来、系统会乖乖等你的“回合制”场景里，比如不少文字类任务型AI，研究者已经试过不少办法。SwiftSage会在“没拿到奖励”或者“做了无效动作”时触发慢思考；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自己决定推理深度，FAST、Talker-Reasoner这些框架就属于这一类。

机器人领域也差不多。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”，再触发重新规划。

可这些场景有个共同点：**系统不着急，可以先暂停，等慢系统想完再接着来**。

真正的麻烦出在“实时”场景里——环境根本不等你。过去的做法基本是让慢系统一直在后台跑，DPT-Agent和AgileThinker就是慢思考和快反应两条并行线程，谁也不等谁；再或者像机器人策略模型GR00T N1那样，慢系统按固定节奏跑，不管你到底需不需要它。

这好比你雇了个随时待命的顾问，你需不需要建议他都在旁边一直想、一直花钱。

论文想做的不一样：**快系统一直干活，接管每一个决策，只有某个“门”（gate）被触发时，才把这一刻的决策权临时交给慢系统。游戏不暂停，慢系统边想，游戏边继续跑。**

论文标题里的“System Switch”（系统切换），说的就是这个意思。

可以想想开车用的语音助手。平时你自己开（快系统），只有犹豫不决或者明显走错路时，才打开导航让它重新规划（慢系统）。车不会因为导航在重新算路线就停在路中间，它会继续往前开，哪怕方向暂时还是错的。要是导航每次重算都要求车停下来等，那高速上根本没法开——这就是“实时”和“回合制”的根本区别。

**用什么模型做这件事**

论文挑的快系统，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”。

这类类型化决策模型能处理的，只是结构固定的问题——“选择题”“打分题”“是否题”都算，一次前向传播就能把答案连同对应的置信度一起给出，不必像生成式大模型那样逐字逐句往外吐。

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）。快是它们的好处，坏处也不少，论文后面会讲。

慢系统是两个带视觉能力的推理大模型，Qwen3.6-35B-A3B和Gemma 4 26B-A4B-it，两者都可以选择开不开“推理模式”，也就是让它先写一段思考过程再给答案。

把两类模型连起来的是llama.cpp这个开源推理框架新加的统一接口/v1/systemone。所有System One模型都走这个接口调用，省掉了给每个模型单独写适配代码的麻烦。

实验场地选在doomLaya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），另一个是“该用什么武器”。

游戏里还内置了一个oracle（规则专家），按固定规则给出“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。这个专家从不说“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**

论文拿一批零样本（之前没针对这款游戏专门练过）的System One模型做了测试，结果挖出一个颇有意思的怪现象：这些模型挑“捡东西”这个选项的瘾头都特别大。

数字摆出来是这样的：游戏里每道“该做什么”的题平均给7.5个选项，其中3.6个是各式各样的“去捡某个东西”。照常理，模型答错时错误该随机落到各个错误选项头上；可实测下来，它们答错时选中“捡东西”的概率，比随机水平高出1.6到1.8倍。

例外只有一个——Kev 0.8B，它的各选项概率差不多是均匀铺开的，反倒没沾上这个偏好。两个推理大模型则不同：不开推理模式照样有这个毛病（1.8倍）；一旦开启推理模式，偏好会减弱，但没有消失（降到1.4倍）。

更耐人寻味的是，这个偏好跟选项怎么排几乎不相干。研究者把选项顺序打乱重测，那股“爱捡东西”的劲头基本没变（仍是1.6到1.8倍）。可见这不是“排在前面就容易被挑中”的位置效应，而是模型真学到了一套“捡东西总不会错”的直觉——偏偏这套直觉在很多场景下是错的。

不过选项顺序对别的事情影响就大了。游戏里的选项本来按固定次序排（敌人、物品、门、出口、撤退、探索、等待），并且有41%的题目正确答案恰好落在第一位。顺序一打乱，有些模型跌得很惨：Strands Decider从0.59掉到0.38，Kev 9B从0.60掉到0.50。研究者查了原因，发现Strands Decider在固定顺序下有65%的概率直接点第一个选项——这说明它压根没真读懂题，只是学会了“选第一个”这条捷径。

这就像考试时有个学生发现老师出选择题总爱把正确答案放在A，于是养成“拿不准就选A”的习惯，平时分数看着还行，可一旦换份打乱重排的卷子，真实水平立刻现形。不查这种“位置偷懒”，你会误以为模型真会做题，其实它只记住了排版规律。

研究者还发现，专门针对这款游戏训练过的模型，表现也没有想象中那么好。拿Laya的微调版Laya-v3来说，调参用的验证集上准确率有0.725，换到没见过的新种子地图上就掉到0.585，跟零样本的原版Laya差不多水平，主要毛病是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。

直觉上我们会以为，一个模型答得准，它给出的“置信度”（也就是它自己说“我有多确定”）就该更可靠。论文告诉你，事情没这么简单。

论文把三个概念拆开来谈。

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”时，是不是真有90%的情况答对了。校准好的模型，说多少把握就是多少把握，既不虚高也不谦虚。

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把“这道题我大概率答对了”和“这道题我大概率答错了”区分开。哪怕整体准确率不高，只要答对时置信度明显高于答错时，这个敏感度就算好。

论文发现这三者互相独立。举个例子，五个零样本模型的整体准确率都落在0.54到0.60之间，几乎同一条水平线，可它们的AUROC（敏感度）从0.60一路散到0.89。换句话说，**准确率相近的两个模型，一个的置信度近乎胡说，另一个的置信度却能相当准地告诉你“这题我可能错了”**。

再具体一点，Laya有两个版本，一个是基础版，一个是经过“类型化决策”微调的版本，俩准确率几乎一样，但敏感度（AUROC）分别是0.89和0.77，差距十分明显，而且置信区间不重叠，说明这不是误差范围内的巧合。

校准度同样预测不了敏感度。校准最好的两个零样本模型（ECE只有0.10），敏感度排名却只是中等；反倒那几个“过分谦虚”的模型（自报的把握明显低于实际准确率），敏感度排在了前头。

这里还有更细的一层：敏感度本身也分两种类型。基础版Laya整体敏感度最高（0.89），可你要是只看“同一类问题内部”，比如都是“要不要去捡东西”这类题，它的置信度就完全分不出哪道答对哪道答错（降到0.52，几乎跟瞎猜一样）。它真正厉害的地方是能分辨“哪类场景我容易翻车”——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。反过来，Strands Decider和Kev 9B展现的是另一种敏感度：同一类题目内部能分出对错（0.77和0.74），整体上却不太行。

为何这种区别值得关注？后文要谈的“将不确定的决策交给慢系统”这一策略，靠的正是第一种敏感度：清楚“哪类场景自己容易出错”，而不是“眼下这道题自己有没有答错”。

这就像一个新手司机，他可能说不清自己这一次具体转弯打得好不好，但他清楚地知道“倒车入库”这个动作一向不稳，“直线加速”从来没出过问题。教练要是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；但要是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**

把“置信度不能随便信”这件事搞清楚之后，论文接着做了一个很直接的实验：把快系统最没把握的那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。

这种做法在机器学习领域有专门叫法——级联（cascade），也叫选择性预测（selective prediction）。思路很简单：先让便宜的模型上，它搞不定的再转给贵的模型，既省钱又不牺牲效果。

实验结果把前面的发现验证得明明白白：**模型的敏感度（AUROC）越高，把它那些“没把握”的决策转交给慢系统，收益就越大**。

拿敏感度最高的基础版Laya（AUROC 0.89）来试，把它最没把握的30%决策交给开了推理模式的Qwen3.6，整体准确率从0.56直接升到0.75。这个数字已经很接近“完美选择器”的理论上限0.76——所谓完美选择器，就是精确知道哪些题会答错、专挑那些题甩出去。更关键的是，只动用了30%的调用次数，就达到了慢系统单独作战时的水平（0.69），等于省下70%算力，还打平甚至反超了纯慢系统。

换成敏感度最低的两个模型（Kev 9B和Strands Decider，AUROC都在0.60左右）做同样的事，收益几乎为零，甚至略微为负。偏偏这两个模型是**零样本模型里准确率最高的**。

这个结论有些反直觉：**按直觉，挑“快系统”应该选单独测试时分数最高的那个，但论文给出的答案不是这样——该看的是它的置信度靠不靠谱，而不是它答得准不准。**

“自己给自己打分”的嫌疑，研究者也小心排查过了。42场游戏随机劈成两半，一半用来选模型和确定甩锅比例，另一半验证效果，如此重复500次。

基础版Laya在489次里都被选中，结论相当稳。在没见过的另一半数据上，相对随机甩锅的收益为+0.13（置信区间0.08到0.18）。把选项顺序打乱再测一遍，规律照样成立：收益与敏感度排名高度相关，相关系数0.87，这是在18组“模型-顺序”组合上算出来的。

论文还单独验证了“推理模式”本身值不值钱。慢系统不开推理、直接给答案时，自身准确率只有0.58，而且染上了跟快系统一样的“爱捡东西”毛病——97%的错误都选了捡东西选项。此时甩锅收益从+0.15掉到+0.07。也就是说，**推理过程本身大约贡献了一半收益**，另一半纯粹来自慢系统换了个“大脑”。

这像公司里把疑难案子转给专家。专家只是换了个人、没多花时间琢磨，效果就要打折；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”。只换人不给思考时间，等于白白浪费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——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地图上跑了33场游戏，用了三个随机种子，配置五花八门：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，但触发机制不变。

结果：**没有一个配置真正走到了游戏的出口。**

这个结果挺扎心，但细看之下，差异很有信息量。

先说“承诺机制”（commit）。它的意思是：慢系统一旦定下计划，就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。加上这个机制后，地图探索的覆盖面积和开门数都明显增加——覆盖格子数从61格涨到83格，开门数从5扇涨到8到9扇。

更意外的是那个“固定探索规则”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。它的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，起主要作用的是“坚持执行一个计划”这个机制本身，而不是慢系统想出了什么高明策略**。

好比一个团队开会讨论半天制定行动计划，和主管直接拍板“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。很多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。不先解决“别议论了，先做”这个问题，再好的点子也落不了地。

不过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得更多：每局平均2.7次，比真正思考那组的1.3次高出一倍。换到基础版Laya上差异更夸张——固定规则3.7次，思考版本0.7次。

还有个细节挺能说明问题：不接慢系统的基础版Laya，三局下来基本钉在原地，总共只挪了1格；而一旦挂上这套触发机制，哪怕配的只是固定探索规则，它马上就进入正常游玩状态，覆盖81格、开了9扇门。换句话说，背后就算换成一套很笨的固定规则，“触发—接管”照样能把一个已经卡死的agent重新带动起来。

**最有价值的部分，是研究者去读了慢系统思考时写下的每一句话。**

论文把这些“内心独白”单独拎出来看，梳理出一条相当明确的失败路径。裸慢系统在没加任何额外知识时，诊断问题的本事其实不差——它会讲“我像是陷进了一个循环射击的死局”，或者说“这张红卡拿不到”，判断都成立；可它开出的办法几乎清一色是“先去捡离得最近的东西试试”。24次思考中，有22次落到这个结论上，“去探索”那条路它根本没考虑过。

于是研究者给慢系统加了一点Doom基础知识提示，告诉它“有些门需要钥匙才能开”。诊断能力真的提升了，它开始能说出“这门需要黄钥匙，我没有，得去探索找找看”。但问题随之而来：**这个基础知识被用错了地方**。

游戏给出的状态信息里，一扇关闭的门只被描述为“关闭”，并不会说明它是普通关着还是已经上锁。慢系统碰到一扇其实没锁的门，照样会判断“这门肯定得用钥匙，我没钥匙，只能去找”，可实际上换个方向推一下就能进去。研究者统计的25次“计划失败”案例，无一例外都是关闭的门挡住了执行器，其中17次慢系统给出的结论是“需要钥匙”。

这就像一个刚上岗的保安，被告知“有些门是锁着的，锁着的门不能硬推”，于是他看到每一扇关着的门都当成锁了，从不上前去试试把手，白白错过一堆一推就开的门。不告诉他这条规则，他可能乱撞；告诉了他，他又变得过分小心。根子不在“这条规则该不该告诉他”，而在于他没办法从眼前这扇门本身判断出锁没锁——缺的是信息，不是知识。

把基础知识提示拿掉之后，慢系统又回到“一见关门就想去捡东西”的老路上，45%的思考都花在捡东西上，只是不再乱猜钥匙了。

论文还试了去掉游戏画面、只喂文字状态的做法。结果慢系统想得更久：中位数29秒一次思考，16次思考里有9次撞上4000个token的推理上限，没想完就被迫交答案；覆盖的地图范围也缩到64格。画面信息其实在帮慢系统更快拿主意，不给它看，它反而想得更久、更乱。

时间成本也是实打实的问题。开启基础知识和承诺机制后，慢系统有38%到70%的游戏时间都在“忙着想”，而它制定计划时依据的那一帧画面，等到计划真正执行，已经是9到29秒前的旧画面。游戏里9到29秒足以发生很多变化，慢系统有时就是在“看着过去的照片做决定”。

**写在后面**

读完这篇论文，让我印象最深的不是哪个具体数字，而是“门锁”那个细节。

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上确实成立，那张图里真有一扇门锁着，要用黄钥匙。可搬到MAP01上，同一条常识就成了认知陷阱——AI没有能力判断眼前这扇具体的门符不符合这条常识。

这件事指向一个更大的问题：我们给AI系统“喂知识”，本质上假设了它能分辨这条知识什么时候该用、什么时候不该用。论文里的AI做不到，它只会机械套用，碰上状态信息无法验证的场景，就把一条本来正确的常识用错了地方。这跟小孩学规则很像：大人说“陌生人给的东西不能随便吃”，孩子连亲戚给的糖都不敢接了，因为他分不清“陌生”和“熟悉”的边界。规则本身没错，可执行规则所需的判断力，恰恰是最难教的那部分。

另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，在覆盖地图上几乎追平了真正会思考的AI。这多少打击了“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”的纪律性，不是思考本身的智慧。不过思考在另一个维度上证明了自己：活下来的次数明显更多。看来“思考”和“规则”可能各自擅长解决不同的问题，谁也不能完全替代谁。

论文最后也坦承，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，这些结论更像是“行为观察”，而不是“成功率的确定性证明”。作者还承认，自己没有系统核查过慢系统写的那些“内心独白”是否真的忠实反映游戏状态，只零星检查了几个案例。这种克制和诚实，放在一篇满是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。

如果快系统的置信度能准确标出“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。快速决策模型负责Doom游戏里每一步决策，只有触发特定条件（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：论文指出，模型准不准，跟它的置信度靠不靠谱（敏感度/AUROC），其实是两码事。零样本模型里准确率排前两位的 Kev 9B 和 Strands Decider，置信度基本分不出对错，把低置信度的判断交给慢系统去处理，收益几乎为零；真正敏感度最高的是基础版 Laya 模型，它准确率只算中等，可一旦把这类判断转出去，整体准确率就能从 0.56 升到 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，最接近的一次也停在4米开外。研究者认为，问题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。