AgentarXiv cs.AI4 天前
The World Won't Wait: Evaluating and Teaching Agents Under a Live Clock
论文提出 RealtimeBench 基准，含 180 个任务、六类游戏，在推理持续进行时评估 LLM 智能体，发现慢而强的模型在游戏暂停时占优、实时运行下反被快模型超越。作者提出 TORSI 双时间尺度离线递归自改进：慢教师离线分析失败并生成可复用指令，快学生在线执行，两轮将 Jev 平均分从 13.51 提升至 24.19，并可迁移到其他模型。