RealtimeBench 发布：评估实时环境下的 LLM 智能体
原文标题：The World Won't Wait: Evaluating and Teaching Agents Under a Live Clock
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
研究者提出 RealtimeBench，包含六类游戏共 180 项任务，用于在游戏持续运行、推理耗时的条件下评估 LLM 智能体。实验显示 GPT-6.1-sol 在暂停游戏时优于更快的 Jev，但游戏持续运行时反而落后。作者提出双时间尺度离线递归自我改进（TORSI），使 Jev 平均测试分从 13.51 提升至 24.19，并泛化到其他三个模型。
- 问题
- LLM 智能体推理耗时，在持续变化的实时环境中动作会迟到失效。
- 方法
- 提出 RealtimeBench 基准与双时间尺度离线递归自我改进 TORSI，慢教师离线纠错、快学生在线执行。
- 结果
- TORSI 两轮把 Jev 平均分从 13.51 提到 24.19，六类游戏全提升，并泛化到另外三个模型。
- 影响
- 揭示暂停评测会高估智能体，实时场景需按时间尺度组织推理与行动。
深读 · 结论先行AI 生成展开看要点与影响 ↓
RealtimeBench 显示暂停时更强的 GPT-6.1-sol 在游戏持续运行时反落后于 Jev。
- •RealtimeBench 含六类游戏共 180 项任务，在游戏持续运行、推理耗时的条件下评测
- •配对评测：暂停游戏时 GPT-6.1-sol 优于更快的 Jev，持续运行时反而落后
- •提出双时间尺度离线递归自我改进 TORSI：慢教师研究失败并写可复用指令，快学生执行时不调用教师
- •两轮迭代将 Jev 平均测试分从 13.51 提升至 24.19（0-100 进度分），六类游戏全部改善
- •指令无需重新调参即可提升另外三个模型的平均分
为什么重要：揭示了「推理更强」不等于「实时环境更有效」，把延迟纳入智能体评测维度，对做实时交互智能体的团队是重要提醒。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。