把当今最聪明的大模型扔进即时战略游戏，它们展现出来的不是神迹，而是一种极其滑稽的迟钝。
开发者 Ben Swerdlow 近期发布了名为 Brood War Bench 的基准测试，让 19 种主流大模型与编程智能体配置在《星际争霸：母巢之战》中进行单循环对决，总计完成了 171 场对局。榜单表面看似光鲜：Codex Astra 顶配版本打出了 18 胜 0 负的百分之百胜率，稳坐头名；Claude Fable 拿到 15 胜 3 负位列第三。但只要掀开胜率表，底下的事实就近乎荒诞：整个榜单里没有任何一个智能体脱离了游戏新手水平，模型的操作手速平均只有 10 到 25 APM，不仅连人类玩家最基础的光炮快攻都守不住，不少模型甚至在长考中被对手硬生生拆光了老家。
思考致死：当长思维链撞上现实时钟
在传统的代码生成或问答测评中，给模型越充裕的思考预算，通常意味着越精密的逻辑。但在即时战略游戏里，物理时钟从未停止。
Grok 4.6 的表现把这种矛盾推向了极致。在代号 G043 的对局中，高推理配置下的 Grok 整整耗费了 11,138 个推理 token，然而在长达 43 分钟的比赛里，它仅仅向游戏引擎发送了 6 次指令批次，全程没有造出任何一个战斗单位。模型沉浸在海量推演中，游戏时间却在一秒一秒流走，最终被活活耗死。这种现象在测试中被称为“思考致死”。
相比之下，Codex 展现出的获胜逻辑并不是高深的大局观，而是近乎无赖的低级骚扰。开局直接派出一只探机冲进对方基地攻击工蜂或建筑，这个极其简陋的动作，对依赖长思维链的对手而言却是毁灭性的。对方必须停下来思考如何应对一只探机，几十秒的推理延迟期间，基地的经济运营直接停摆。
思考在静态世界里是解题利刃，在连续时钟下却成了致命破绽。
大模型的兵力调度同样暴露出严重的协同缺陷。Codex 在内部往往分裂出不同的子任务分别管理采矿、出兵与前线作战，彼此缺乏通讯。结果就是前线指挥一旦拿到兵，便一个接一个地送上去送死，根本无法集结出有威胁的正规军。能赢下比赛，纯粹是因为对手的思考瘫痪比它更严重。
模型之争，还是脚手架的工程幻觉？
这场基准测试的榜单虽然给出了明确排位，但在方法论上留下了巨大的混淆变量。
对局并非让模型直接面对屏幕像素，而是通过简化的 BWAPI 接口进行工具调用，并将不同厂商自带的编程智能体客户端——如 Codex CLI、Claude Code 与 Grok Build——直接挂载在 Freestyle 虚拟机上运行。这意味着排行榜比拼的不仅是模型本身的基础智商，更是各家客户端内部的上下文剪枝、子智能体调度与容错策略。
这种工程机制的差异导致榜单的说服力迅速遭到分流。在另一个由 Cyril Lacroix 发起的第三方星际基准 BroodBench 中，通过标准化的 MCP 协议直连，Claude Fable 5.1 在受控的 4 局对抗中以 3 比 1 击败了 Codex Astra，与 Swerdlow 榜单中 Astra 横扫全场的结论大相径庭。
与此同时，单局循环的设计放大了随机因素。出生点位、种族分配以及接口调用时的偶发报错，都让比赛结果带有浓重的方差成分。在开销方面，这种盲目探索的代价并不便宜：排行榜上 Codex Astra 低思考配置单局打出 21.07 美元的成本，Claude Opus 5 单局成本也高达 20.78 美元，而轻量级的 Codex 5.6 Luna 单局仅花费 0.42 美元。花着几十美元换来的，依然是一堆漏洞百出的低级操作。
倒退的奇观与双环控制的解法
《星际争霸》曾是人工智能的荣耀高地。当年 DeepMind 的 AlphaStar 凭借深度强化学习，以数百 APM 的微操和毫秒级的战场反应碾压了顶尖人类职业选手。
如今换成代表通用人工智能前沿的大语言模型，系统不仅在微操上退化为每分钟十几次操作的打字员，连最基础的宏观建造逻辑都支离破碎。这并非技术的单纯倒退，而是技术路线切换带来的断层：AlphaStar 是在专用封闭沙盒里用数万小时对局喂出来的特化神经反射，而大语言模型是一个试图用自然语言代码去理解世界运行逻辑的通用大脑。
- 风险.若直接将长推理链大模型接入自动驾驶或高频工业控制等硬实时环境，系统会在突发变量前陷入计算阻塞，引发灾难性后果。
古人讲兼听则明，但也讲兵贵神速。当大模型从静态的代码补全走向物理控制与具身智能，首要解决的不是让它拥有多深邃的哲学推演，而是建立快慢双脑协同机制。慢思考负责长远战术推演，毫秒级的快反射负责接管视野巡逻与规避动作。
如果不能把思考的时间成本彻底解耦，再强大的推理模型，也只会在真实世界的残酷时钟里被一只小小的探机活活拖死。