Import AI 479：Realtime-Bench 测出 LLM 实时任务短板、DIA 太空安全报告与…

Import AI 479：太空战；低延迟任务与 LLM 的对比；Genie 4

LLM 如何看待视觉模型？Jack Clark，2026 年 11 月 2 日

LLM 非常不擅长低延迟任务：……Realtime-Bench 表示，AI 系统要能替你玩游戏或进行在线拍卖，还需要一段时间……研究人员构建了 Realtime-Bench，“一套精心策划的动态任务，其中延迟的行动会直接影响成败”。该测试有助于评估现代通用 AI 系统在需要实时做出决策的任务中表现如何。该基准包含 50 个交互式游戏和网页任务，分为四大类共 30 个网页任务（旅行、电子商务、服务和安全），以及 20 个游戏任务（街机、解谜、策略和模拟）。

研究由谁完成：该基准由德克萨斯大学奥斯汀分校、俄亥俄州立大学、伊利诺伊大学厄巴纳-香槟分校、NVIDIA、西北大学和 Steadyworks 的人员构建。

它衡量什么：该测试旨在探查三种特质：时间状态感知（“RT-Perceive”），即模型能利用观察来追踪世界中的变化；自适应深思（“RT-Deliberate”），即模型根据可用时间调整其推理的长度和深度；以及时间感知的行动选择（“RT-Act”），即模型需要针对情境恰当地安排行动时机。“例如，购买门票的智能体必须追踪销售状态，并评估观察到的可用性是否仍然有效（RT-Perceive），在购买窗口即将关闭时限制进一步深思（RT-Deliberate），并在等待开售与趁门票仍有库存时购买之间做出选择（RT-Act）。”他们设有三种不同条件：真实时钟，旨在测试真实世界延迟下的表现。暂停时钟，允许任意暂停，以便了解基线能力；以及 Token 时钟，“按每个生成 token 的固定速率推进环境。行动在提交时到达的模拟时间点被应用，因此消耗更多 token 会延迟执行，与实际推理延迟无关”。

模型表现如何？作者测试了来自 OpenAI（GPT-6-Astra、GPT-5.6 Sol、GPT-Realtime-2、OpenAI Decisions）、Anthropic（Claude Fable 5.1、Claude Opus 5）、Google（Gemini 3.8 Flash、Gemini 3.1 Flash Live、Gemini 3.8 Live）、Jev 1.13 的模型，以及来自 Deepseek（V4.1）和 Moonshot AI（Kimi-K3）的中国模型。GPT-6 Astra（high）在“真实时钟”评估设置中通过率最高，为 36%。相比之下，在暂停时钟下，具备高推理能力的模型成功率接近 70% 甚至 80%。

为何重要：该基准有效反映了 AI 智能体将在何处失灵——这里的低分指向了目前尚不能指望 AI 智能体表现良好的任务。查看排行榜：Realtime-Bench（官方网站）。阅读论文：Realtime-Bench: Can Frontier Models Solve Real-time Interactive Problems?（arXiv）。

***

太空战的未来，由国防情报局呈现：……反卫星技术、太空核武器等等……从事 AI 工作可能压力很大，所以有时为了放松，我喜欢读其他主题的内容，以了解别处潜藏着怎样的恐怖。我对抑郁也采取同样的方法：如果我感到悲伤，我会试着听比我更悲伤的人的音乐来让自己振作（例如 Radiohead、Neil Young，以及在非常黑暗的时刻听 Bill Callahan / Smog 等）。带着这种想法，我最近读了国防情报局的《太空安全面临的挑战》。

太空中正在发生什么：与地球上的冲突一样，太空由美国与中国、俄罗斯、伊朗和朝鲜之间的冲突所定义，其中中国技术最为先进，俄罗斯则看似最为跃跃欲试。“中国和俄罗斯正在发展一系列 formidable 的进攻能力，以削弱或摧毁其他国家的太空服务，从动能摧毁到复杂的干扰和网络行动，”DIA 写道。“过去十年，中国的太空发射次数增长了两倍多，2016 年为 22 次，2025 年为 93 次……北京判断太空对美国及其盟友的行动至关重要。北京还将太空视为进攻性军事领域，这塑造了解放军军事规划和战役的关键组成部分。”

太空战：阅读这份 100 多页报告得到的总体感受是，太空中正在发生大量丑陋、可怕的事情，或者地面上的东西正在对太空中的物体做这些事。一些示例引文：

“到 2020 年代末，中国可能部署天基定向能系统和更高功率的地基定向能系统，能够威胁更高轨道上的卫星”

“中国正在发展天基技术，包括在轨反太空武器，能够使太空系统处于风险之中”

“俄罗斯的 Peresvet 是一种地基激光系统，旨在致眩敌方卫星的光学系统，以掩盖俄罗斯战略导弹系统的移动”

“过去几年，俄罗斯发射了多颗卫星，在轨测试了可能用于攻击其他国家卫星并造成暂时或永久损害的技术”

中国有几架太空飞机，类似于美国高度机密的 X-37B 飞行器，而且它们似乎正变得越来越先进。2023 年，中国上述飞行器之一“释放了一个物体并与之互动”。

卫星对卫星的战斗：整份报告都明显表明，我们身处一个竞争对手国家拥有卫星、试图升空干扰他国卫星的世界。

“2019年，俄罗斯发射了卫星Cosmos 2542，该卫星释放了第二颗卫星Cosmos 2543。随后，Cosmos 2543开始跟踪一颗美国国家安全卫星，并多次在近到足以造成潜在危险运行条件的距离上接近它，”DIA写道。“俄罗斯正在发展动能轨道系统，以永久瘫痪或‘杀死’卫星。莫斯科的Burevestnik是一种处于研发阶段的共轨空射反卫星武器，用于杀死低地球轨道（LEO）上的航天器”。

“2022年2月，俄罗斯发射了一颗名为Cosmos的卫星，莫斯科当时声称该卫星正在测试太空辐射对电子系统的影响。这颗卫星被送入了一个不同寻常且孤立的轨道，没有任何其他航天器使用该轨道”。

太空核武器：俄罗斯正在太空中试验核武器。“在太空进行核爆炸会产生电磁脉冲，这将立即影响射程内的卫星，并可能影响民用基础设施，”DIA写道。“太空核爆炸可以经过调整，以影响大多数轨道上的卫星——LEO用于商业和侦察卫星，GEO用于关键通信，MEO用于导航和授时卫星”。

***

Metis：一家试图融合符号推理与神经推理的初创公司：……迈向类似Vulcan的机器心智……Metis是一家希望构建新型AI架构的初创公司，其方向是开发具有更好推理能力的机器，该公司已发表一篇研究论文，阐述其研究方法。高层面的总结很简单——Metis想对现代开放域问题做DeepMind通过AlphaGo和AlphaGo Zero所做的工作对棋类游戏等封闭域问题所做的事。

他们想做什么：这里的关键思想是为现代AI架构添加一个推理核心，其可靠性远高于我们目前所拥有的。“在现代AI架构中，使AlphaGo成为成功推理系统的许多其他周边机制要么是隐式的，要么是缺失的，”他们写道。“第一个缺失的要素是一个明确且持久的认知状态……第二个缺失的要素是一个标准，使系统能够选择朝着目标推进的推理步骤。”这更像是一篇立场论文而非技术论文，因此他们在这里没有大量细节。主要思想是基于真实世界的数据收集来训练推理策略和价值函数，然后用它引导系统执行能够降低长期不确定性的推理，并让这些建立在一个由关于世界的断言或假设构成的基础数据核心之上。“对某一断言证据状态的任何改变，都必须由证据授权，或通过明确计算加以验证，并由独立判断系统批准，”他们写道。“模型生成的内容不能仅仅因为看似合理就进入被接受的认知状态；它必须通过授权评估，这会降低幻觉。证据来源可以直接附加到它们所支持的命题上，从而提供清晰的来源链。推理过程变得明确可审计。”

***

关键特性：Google指出了使Genie 4与之前版本不同的四个特性。其中包括：

实时修改：“你可以使用自然语言实时修改模拟——比如改变天气、移动摄像机，或引入一个新的人或物体——Gemini将结合上下文调整你的提示，以匹配周围的场景。”

物理与人类行为模拟：“Genie 4模拟真实世界的物理场景，例如空气动力学、碰撞等，”而且它对人的模拟也更好。“最显著的飞跃是Genie 4如何模拟人，创造出自然移动、对环境做出有机反应、并能在实时中被交互式引导的角色。”

声音建模：“Genie 4是我们首个原生生成音频的实时世界模型，”Google写道。它还“引入了可即时调整的交互式对话。”

模拟复杂事件：Google已将Gemini 3.8 Flash嵌入Genie 4，使这一快速Flash模型“在循环中充当引导智能体”，提供持续校准。“Gemini持续观察场景，将目标分解为一系列步骤，并审查传入的帧以跟踪进展并验证每一步是否成功。当世界发生变化或用户介入时，Gemini会即时调整其计划，从而解锁具有可靠因果性、程序化行为和多步推理的世界。”

为何重要——迈向由机器构想出的众多世界：尽管这项技术目前还相当粗糙（例如机器人般的声音、可视化环境中梦境般的不一致等），但它指向一个我们可以通过创建和提示自定义世界来生成无限形式娱乐（以及潜在数据？）的世界。阅读公告文章：Genie 4：新一代世界模拟（Google DeepMind博客）。观看视频：Genie 4：新一代世界模拟（Google DeepMind，YouTube）。

科技故事：

城市竞赛【一款在2040年代玩的游戏的描述】在“提升”之后，孩子们最喜欢玩的游戏之一叫做城市竞赛；在游戏中，他们相互竞争，规划、建设和管理城市，在一个新行星的疆域上扩张。

这些城市被时间所困，从它们所处时代的任何技术开始，游戏持续了大约一个世纪，允许一些进一步的技术发展发生。

每场游戏都使用戴森云的一部分资源来进行，允许进行强大而复杂的模拟（尽管有局部代理认知门控，使得任何东西都无法发展到足以被视为有意识实体的复杂程度）。

数十万模拟心智生存和死亡，有时在由细心而有效的所有者运营的城市中繁荣，有时被困在肮脏的环境中，或在经济被掏空的地方老去；成为他人成功的牺牲品。

人们认为，让孩子们在成为成年人之前了解成为神意味着什么，是有益的。在每场游戏结束时，孩子们需要在他们玩过的游戏世界中的每座城市里各生活一天；那些建造了奇妙城市的人体验了自己创造的奇迹，然后走过那些成功被自己阻碍的破败城镇。那些挣扎过的人住在自己暮光般的城镇里，然后参观那些注定他们失败遥远地方。

启发这个故事的事物：伊恩·M·班克斯的《游戏玩家》；《模拟城市》；玩游戏；城市设计；赫尔曼·黑塞的《玻璃球游戏》。