Realtime-Bench：实时互动任务，为什么难倒了前沿大模型？

导读：Realtime-Bench 把模型放进抢票、拍卖、游戏等会自行推进的环境，测试它能否在有限窗口内发现变化、控制思考时长并及时行动。论文显示，即使是表现最好的模型，在特定实时赛制下仍有大量任务失败；所有分数均应结合时钟协议、任务和 Pass³ 指标理解。

相关导航：https://www.zuoshipin.com/link/62813.html

常见问题

1. Realtime-Bench 测什么？
   它测试模型在环境持续变化、行动窗口有限时的观察、推理和执行能力。
2. 三种时钟协议有什么区别？
   Wall Clock 按真实耗时推进，Paused Clock 推理时暂停环境，Token Clock 按生成 token 数模拟时间。
3. 论文中的成绩能代表通用能力吗？
   不能，结果依赖任务、模型、harness、时钟协议和 Pass³ 指标。
4. 为什么更强推理可能失败？
   实时环境里更长思考可能错过行动窗口，因此需要平衡推理质量和时机。
5. 适合谁参考？
   实时 Agent、网页自动化、游戏智能体和交互式评测研究者。