The World Won't Wait: Evaluating and Teaching Agents Under a Live Clock
中文摘要
由模型生成 · 人工抽检论文提出 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。
全文
已译中文arXiv:2610.20665v1 公告类型：新
摘要：大语言模型（LLM）智能体能够解决复杂的交互式任务，但推理和工具调用需要时间。在持续变化的环境中，一个本来正确的动作可能到达得太晚。我们提出 RealtimeBench，包含六种游戏类型的 180 个任务，用于在游戏于推理期间持续运行的情况下评估智能体。配对评估显示，当游戏暂停时，GPT-6.1-sol 优于更快的 Jev，但当游戏持续运行时则落后。我们提出双时间尺度离线递归自我改进（Two-Timescale Offline Recursive Self-Improvement，TORSI）：一个慢速教师在各次尝试之间研究失败并在暂停的游戏里测试修正，然后为快速学生编写可复用的指令。学生在游戏过程中行动，无需调用教师，验证分数决定采纳哪些更新。两轮之后，Jev 的平均测试分数在 0--100 的进度尺度上从 13.51 提升到 24.19，六种游戏类型全部得到改善。这些指令还在无需重新调优的情况下提升了另外三个模型的平均分数。这些发现指向实时智能：通过跨时间尺度组织思考、学习与行动，使强大的 LLM 智能体在持续变化的世界中保持有效。
本译文由模型自动生成，仅供参考与快速理解；涉及数字、版本、命令、法律条文等请以原文为准。
原文附件
2 个 · 均跳转原站，本站不托管文件正文为原站公开内容的抓取与清洗结果，英文条目附模型生成的中文译文；两者均仅供参考， 准确内容请以原站为准。内容版权归原作者所有，若认为侵权请联系我们下线。