评测智能体有个很少被戳破的隐含假设：世界暂停，等你想完。基准给你一道题，你慢慢推理、慢慢调工具，最后交卷，裁判按终局打分——至于推理花掉的那几十秒里，题目描述的情况有没有变化，大多数 benchmark 一概不管。10 月 14 日提交 arXiv 的 RealtimeBench（编号 2610.20665）把这个假设拆了：推理期间，游戏继续进行。
论文六位作者，归类人工智能，尚未经同行评审。基准本身不复杂：180 项任务、六类游戏环境，关键改动只有一个——考生思考的时候，游戏时钟不停。配对评测的结果有点扎心：游戏暂停时，GPT-6.1-sol 领先于更快的 Jev；时钟不停，名次反转，快的那个反超。同样的模型、同样的题，只改一件事，排行榜就换边——论文的结论写得很直白：原始能力不等于实时有效性， deliberation 延迟是动态环境里的一等障碍。
TORSI：把学习从回合里搬走
光指出问题不够，论文顺手给了一剂药，叫 TORSI（Two-Timescale Offline Recursive Self-Improvement，双时间尺度离线递归自我改进）。思路是把「想」和「做」拆到两个时间尺度上：回合之间，一个慢老师在暂停的游戏里研究失败、测试修正，把修正蒸馏成可复用的指令，验证分决定哪些指令被采纳；对战之中，一个快学生不调用老师，按指令行事——动作要快，思考要短。
两轮之后，Jev 的平均进度分从 13.51 涨到 24.19（0-100 制），六类游戏全线提高。绝对值仍然不高，但另一组数字更有意思：写出来的指令不挑学生——另外三个模型没有调参，分数也涨了。这说明慢老师蒸馏出来的不是「怎么当 Jev」，而是「怎么打这类游戏」，知识以指令形式存在，可迁移。
放进台谱里看
「把 deliberation 从回合里拿走」这个方向，站点今年追过好几条线。决策模型一支（1027、1551）用小模型替换路由与审查里的生成式推理；SSR 一类的「做选择题」思路也在这个方向试探。RealtimeBench 的增量不在方法新，在考场新：它头一回把「时钟不停」做成了配对变量——暂停考一套、活时钟考一套，两次放一起，延迟的代价直接显形。
它也补上了评测线的一块缺口。1941 给记忆消融祛魅，1948 让考卷跟着诊断进化，1925 问 GUI 智能体「路走稳了吗」——这些都还在「时间无限供给」的前提下做文章。RealtimeBench 提醒的是：在动态环境里，「想得久」本身就是一种失败，哪怕终局做对。对客服、交易、实时协同这类场景，这个维度比通过率更接近体感。
几盆该浇的冷水
游戏环境是受控沙盒，和真实业务的动态性不是一回事——游戏的状态转移至少是确定的，真实世界的「时钟」往往还连着不可见的事件。进度分 0-100 的口径下，13.51 到 24.19 的绝对值说明这套方法离可用还有距离。配对只测了两个模型，换模型结论是否稳要另说。六人团队、预印本、未经同行评审，代码发布情况摘要页未说明。
给做智能体产品的团队一个自检问题：你的核心场景里，「世界暂停」这个假设成立吗？如果不成立，把「首字延迟」和「动作间隔」放进和一等公民通过率并列的仪表盘——RealtimeBench 的配对设计，可以直接搬来做内部评测的雏形。