Оригинальное название: Thinking Fast, Anywhere: One System-1 for the Decision Points of Any Agent Workflow
Многие шаги агентов сводятся лишь к выбору одного из нескольких известных вариантов (маршрутизация, сортировка, выбор инструмента, проверка статуса), но при этом каждый раз вызывается большая модель. AnyS1 использует тот факт, что написанные человеком процессные навыки, такие как SKILL.md, уже содержат информацию о том, «где происходит выбор и какие есть варианты»: в автономном режиме из 1,072 общедоступных навыков извлекаются точки принятия решений, в изолированных контейнерах выполняются трассировки и собираются реальные состояния, формируется набор данных Any-DP, а затем обучается указательная модель размером 4B со сглаживанием меток и откалиброванной уверенностью (на базе Qwen3.5-4B-Base с LoRA). Во время выполнения навык компилируется в три типа узлов: детерминированные проверки преобразуются в условия Python, перечислимые варианты выбираются малой моделью за один прямой проход (при уверенности ниже порога управление передается большой модели), а открытая генерация по-прежнему выполняется большой моделью. В статье утверждается, что на трех бенчмарках, не виденных во время обучения, надежность выполнения задач осталась прежней, стоимость одной сессии снизилась на 75–91%% по сравнению с агентом на большой модели без компиляции, а время вызова модели сократилось на 63–92%.
Почему это важно Вызов большой модели на каждом шаге агента дорог и медленен; не требуется писать отдельные хуки для каждого рабочего процесса, одна и та же малая модель может напрямую использоваться с ранее не виденными навыками
Лайков 5 · Звезд в репозитории 2
Обоснование
- В README перечислены три бенчмарка: SOPBench, ALFWorld и WebShop; большая модель заменена на DeepSeek-V4.1-Flash и GPT-6 Sol для тестирования, использовалась одна и та же контрольная точка AnyS1-4B без повторного обучения
- Авторы утверждают, что одно решение малой модели занимает 22–32 миллисекунд на одном графическом процессоре H100; порог холодного старта 0.918 можно перенести напрямую или откалибровать примерно за 50 теневых прогонов без разметки
- Веса smSquirrel/AnyS1-4B и набор данных smSquirrel/SkillDP опубликованы, код лицензирован под Apache-2.0
Использование
- Код: установите через https://github.com/middle-chunjie/AnyS1;pip install -e ., для локального запуска малой модели дополнительно установите ".[train]", запустите сервис командой python -m anys1.model.serve_s1 --checkpoint smSquirrel/AnyS1-4B --port 8895
- Команда anys1 compile ваш_SKILL.md -o выходная_папка: по умолчанию трижды вызывает большую модель для извлечения точек принятия решений (требуется OPENAI_API_KEY), флаг --offline переключает на структурный анализ без вызова API; на выходе создаются decisions.json, SKILL.anys1.md с хуками решений и workflow.py
- Команда anys1 mcp --compiled выходная_папка --s1-url http://127.0.0.1:8895/decide позволяет подключить сервис как MCP к Claude Code, Cursor и OpenHands; команда anys1 calibrate калибрует пороги на основе логов теневых прогонов
Риски
- Снижение затрат сравнивается с агентом на большой модели «без компиляции»; таблица в README показывает, что уже сама компиляция навыка в рабочий процесс (с сохранением всех вызовов большой модели) экономит 56–86%%, поэтому дополнительная экономия от малой модели зависит от разницы между этими значениями
- Требуется собственный графический процессор для запуска модели размером 4B; все результаты приведены авторами, в данном обзоре они не проверялись самостоятельно