把时间暂停，前沿大模型在网页操作和游戏任务里的成功率能接近 70% 至 80%；一旦把时间拨回真实流逝的挂钟，表现最好的 GPT-6 Astra（high）连续三次测试全过的比例（Pass³）立刻断崖式跌到 36%。这是德州大学奥斯汀分校、俄亥俄州立大学、UIUC、NVIDIA、西北大学与 Steadyworks 联合发布的 Realtime-Bench（arXiv: 2610.22155）给出的核心结论。这项包含 30 个动态网页任务与 20 个实时游戏任务的基准测试证明，靠拉长思维链换取高分的测试期算力扩展（Test-time Scaling），在实时世界里撞上了时间墙。
过去两年的大模型评测大多默认“回合制”假定，环境会静止等待模型吐完几千个推理词元（Token）再执行下一步。但在抢票、在线竞拍、实时游戏或高频交易里，外部世界不会等 AI 想明白。Realtime-Bench 测量了时间感知（RT-Perceive）、自适应深思（RT-Deliberate）和适时行动（RT-Act）三项指标，横评了 OpenAI（GPT-6-Astra、GPT-5.6 Sol、GPT-Realtime-2）、Anthropic（Claude Opus 5、Claude Fable 5.1）、Google（Gemini 3.8 Flash、Gemini 3.8 Live）、DeepSeek（V4.1）和月之暗面（Kimi-K3）等主流模型。单次运行的挂钟测试最高成功率只有 44%，一旦要求连续三次独立运行全部成功，最高分就只剩 36%。
慢思考的反噬与 64 tokens/秒生死线
单看挂钟（Wall Clock）成绩，容易把失败简单归咎于服务器响应慢或网络延迟。为了剥离底层基建差异，研究团队设计了词元时钟（Token Clock），规定模型每生成 64 个 token，模拟环境的时间就强制向前推进 1 秒。
在这个公平计费的沙盒里，行业奉为圭臬的“思考越久效果越好”出现了反转。当研究人员调高全部 6 个受测模型的推理努力程度（Reasoning Effort）时，暂停时钟下的成绩无一例外全部上涨；但切换到词元时钟后，Claude Opus 5 的成功率直接从 44% 暴跌至 30%，而 Kimi-K3 却从 24% 逆势升至 36%。
不懂看表截断思维链的慢思考，在实时世界里是负资产。
分化的根源在于自适应深思（RT-Deliberate）能力的缺失。以抢购限时演出票为例，智能体不仅要识别余票状态（RT-Perceive），还必须在付款窗口关闭前强行终止长篇大论的利弊权衡，果断点击下单（RT-Act）。Claude Opus 5 在高推理模式下执着于完整走完内部论证链条，等它算出最优解时，环境的交易窗口早已关闭；Kimi-K3 则在增加推理预算时保留了对任务时限的敏感度，把算力用在了刀刃上。
这也给正在采购或开发 AI Agent 的工程团队敲响了警钟。在电商秒杀、自动化金融交易或实时客服路由等场景中，直接接入高推理模型不仅会推高 Token 账单，还会因为延迟导致任务雪崩。开发者短期内不能指望单个大模型自动兼顾深度与速度，必须在工程层拆出快慢双系统：用轻量级规则或小模型盯住状态变化与倒计时，只在时间充裕的窗口唤醒大模型做复杂规划。
基准盲区与真实世界的高频博弈
不过，把 Realtime-Bench 的成绩单直接等同于各家模型的绝对实力，同样会掉进方法论陷阱。翻开论文的实验设置可以发现三处关键限制：
| 实验设定维度 | Realtime-Bench 具体做法 | 潜在偏差与真实环境落差 |
|---|---|---|
| 开源任务比例 | 50 个任务仅开源 20 个（12 网页 / 8 游戏） | 30 个私有保留集防刷榜，但也限制了外部复现核验 |
| 视觉采样频率 | 固定采用 1 FPS（每秒 1 帧）观察采样 | 且未计入 GUI 执行延迟，远低于真实游戏与物理交互帧率 |
| 挂钟测试路由 | 不同模型调用了不同的底层 API 路由 | 挂钟排名混入了服务商网络与并发基建差异，非纯算法对比 |
更隐蔽的缺陷在于词元时钟的“等价假设”。规定每 64 个 token 折算 1 秒，默认了不同架构模型吐出相同数量词元所消耗的算力与时间成本一致。但稠密模型与混合专家模型（MoE）的单次激活成本截然不同，部分模型习惯输出冗长的格式标记，这套一刀切的折算标准在跨架构横评时难言绝对公平。
- 风险.Realtime-Bench 仅采用 1 FPS 的观察帧率且豁免了图形界面（GUI）执行延迟，这意味着哪怕模型在榜上拿到高分，直接搬到 30 FPS 以上的真实物理或高频对抗环境中依然会失效。
即便在如此宽容的 1 FPS 温室里，顶尖模型尚且只能拿到 36% 的稳定通过率，而外部应用环境正在向毫秒级的高频交互狂奔。在《Import AI 479》同期披露的另外两项进展中，这种时差显得尤为刺眼。
一边是数字世界的生成提速。Google DeepMind 发布的交互式世界模型 Genie 4 已经能够原生生成音频、模拟空气动力学与碰撞物理，并内嵌 Gemini 3.8 Flash 作为循环引导智能体（Guiding Agent），实时逐帧审查画面、拆解目标并在用户自然语言干预下秒级调整场景。另一边则是物理空间的硬核对抗。美国国防情报局（DIA）在 2026 年 10 月 26 日发布的《太空安全挑战》报告中披露，全球太空博弈已进入高频在轨交会与定向能对抗阶段：中国的年航天发射次数从 2016 年的 22 次增至 2025 年的 93 次，并在 2023 年完成了可重复使用空天飞机的在轨释放与目标交互试验；俄罗斯则部署了 Peresvet 陆基激光系统以致盲敌方光学卫星，并多次利用 Cosmos 系列卫星在轨抵近跟踪他国航空器。
无论是接管 Genie 4 生成的实时动态模拟环境，还是在激光致盲与在轨机动等毫秒级国防态势感知中充当决策辅助，留给 AI 系统的反应窗口都以毫秒计。大模型厂商接下来的核心变量，不再是把静态奥数题或代码榜刷到 95 分以上，而是能否在底层架构里塞进一个真正的“时间发生器”——让模型在开口推理第一个词之前，先学会看一眼墙上的钟。