大模型实时交互遭遇滑铁卢！英伟达等机构抛出 Realtime-Bench：最强 GPT-6-Astra 成功率仅 44%

6小时前 17 大屏时代

人工智能大模型在文本创作、代码编写和图像生成等静态任务上已经展现出惊人的实力，但在瞬息万变的实时交互场景中，它们的真实表现究竟如何?近日，英伟达携手得克萨斯大学奥斯汀分校（UT-Austin）等顶尖机构正式发布了全新的实时交互任务基准——Realtime-Bench。该基准的诞生，旨在为评估人工智能在动态环境下的综合表现提供一把精准的量尺。

核心测试机制:全面考察三大动态能力与时钟协议

为了全方位检验大模型在真实实时场景中的应对水平，Realtime-Bench精心设计了包含50个涵盖八类场景的丰富任务。在测试过程中，该基准核心考察模型的实时感知、时间自适应推理以及行动时机把握这三类关键能力。

同时，为了科学区分不同因素对模型表现的具体影响，研究人员在测试中设置了三种不同的环境推进时钟协议。这种严谨的测试架构，能够有效剥离外部干扰，直击大模型在动态处理上的性能底座。

测评结果出炉:多数模型陷入低延迟与推理能力的双重困境

研究人员利用该基准对全球12款前沿大模型进行了深度测试，测试结果暴露出当前主流 AI 在实时任务上的明显短板。

数据显示，在按照真实推理耗时推进环境的严苛场景下，表现最优的GPT-6-Astra任务成功率也仅为44%。而在高推理强度下，模型实现三次全成功的概率甚至仅有36%。这表明，绝大多数前沿大模型在面对复杂的实时交互时，依然难以在极低延迟与深度推理能力之间找到完美的平衡点。

深度实验洞察:盲目提升推理强度无法解决根本难题

除了整体成功率偏低外，该项研究还通过进一步的实验揭示了几个关键的行业洞察:

推理强度与成功率并非线性正相关: 在实时任务中盲目提升模型的推理强度，未必能够有效提高任务的成功率。

思考深度与行动时机的博弈: 模型在实际运行中，必须在深思熟虑的思考深度和转瞬即逝的行动时机之间做好精确权衡。

单纯缩短延迟的局限性: 实验结果清晰地表明，单纯依靠缩短推理延迟，根本无法彻底解决现实中面临的全部实时交互难题。

Realtime-Bench的推出，不仅为业界评估大模型的动态交互水平提供了一个标杆性工具，也向全球人工智能研发人员敲响了警钟:如何突破实时感知的瓶颈，将成为下一代大模型迈向通用人工智能（AGI）的关键突围方向。