英伟达联合UT-Austin发布Realtime-Bench：GPT-6-Astra成功率仅44%

写文章、敲代码、生成图片这类静态任务，大模型已经交出相当亮眼的成绩。可一旦进入分秒变化的实时交互环境，它们到底行不行？英伟达和得克萨斯大学奥斯汀分校（UT-Austin）等机构最近给出了一个专门的考题——Realtime-Bench。这套基准面向的就是动态环境，用来衡量 AI 在其中的综合表现。

测试怎么设计：三类动态能力，配三种时钟协议

Realtime-Bench 一共准备了 50 个任务，覆盖八类场景。评测时重点看三件事：模型能不能实时感知，能不能随时间变化做自适应推理，以及能不能卡准行动的时机。

研究人员还设了三种不同的环境推进时钟协议，目的是把不同因素的影响分开看清楚。这样搭出来的测试结构，能尽量排除外部干扰，直接测出模型在动态处理上的真实水平。

成绩单：低延迟和推理能力，多数模型两头难顾

团队用这套基准测了全球 12 款前沿大模型。结果很清楚：眼下主流 AI 在实时任务上短板明显。

按真实推理耗时推进环境的严格场景里，成绩最好的 GPT-6-Astra 任务成功率只有 44%。如果推理强度拉高，模型三次全部成功的概率更低，只有 36%。前沿大模型面对复杂实时交互时，想在极低延迟和深度推理之间找到平衡，仍然很难。

实验还看出什么：一味加大推理强度，解决不了根本问题

整体成功率偏低之外，研究通过进一步实验还给出了几个行业层面的发现：

推理强度和成功率不是线性正相关。实时任务里一味往上加推理强度，未必能把成功率提上去。

思考深度和行动时机之间存在取舍。模型运行时，得在多想一步和抓住转瞬即逝的时机之间做好精确权衡。

只缩短延迟也有局限。实验结果说明，光靠压推理延迟，现实里的实时交互难题没法全部解决。

Realtime-Bench 的推出，给业界评估大模型动态交互水平提供了一个标杆工具，也给全球 AI 研发人员提了个醒：实时感知这个瓶颈怎么突破，会是下一代大模型走向通用人工智能（AGI）的关键方向。