在实时时钟下评估与教学智能体：RealtimeBench 与 TORSI

研究提出 RealtimeBench，包含六类游戏共 180 个任务，在游戏持续运行、推理仍在进行时评估 LLM 智能体。配对评测显示，GPT-6.1-sol 在游戏暂停时优于更快的 Jev，但游戏持续运行时落后。为此提出的 TORSI 让慢速教师在两轮中把 Jev 的平均测试分从 13.51 提升到 24.19（0–100 进度分），六类游戏全部改善，且无需重新调优即可提升另外三个模型的平均分。