Rohan Paul

北京大学和三星的新论文表明，慢速推理模型可以离线训练快速模型，将其现场游戏得分从 13.51 提高到 24.19。 研究表明，一旦游戏继续进行，暂停游戏中更强的推理模型可能会远远落后于更快的模型。 许多游戏评估都会在模型思考时让世界暂停，因此缓慢的答案不需要任何成本。在现实环境中，正确的行动可能来得太晚了。 他们构建了 RealtimeBench，涵盖 Mario、Snake 和 Tetris 等 6 款游戏的 180 个任务，这些任务在推理过程中保持运行。 GPT-6.1-sol 在暂停时的 6 场比赛中，有 5 场击败了速度更快的 Jev，但得分为 1.51，而现场得分为 13.51（满分 100）。 他们的修复方案 TORSI 让慢速模型研究快速模型在游戏之间的失败，并编写快速模型在游戏过程中遵循的指令。 2轮过后，Jev的平均分从13.51上升到24.19，6个游戏类型都有所提高。 对于实时代理，在循环中保留快速模型，并离线使用慢速模型来编写和测试其指令。