同一批 AI 模型，暂停时钟后通过率从 36% 升到 80%

研究者发布了一个叫 Realtime-Bench 的新基准，用 50 个交互式游戏和网页任务评估 AI 的实时决策。设计原则很直接：动作晚了，就会影响成败。30 个网页任务覆盖旅行、电商、服务、安全，20 个游戏任务来自街机、解谜、策略、模拟。

成绩最好的模型 GPT-6 Astra（high）在墙钟设置下通过率只有 36%。墙钟就是真实时间在走。把时钟暂停，给模型足够思考时间，高推理模型能到 70% 甚至 80%。同一批模型，两种时钟，差距主要来自时间压力。

实时任务仍是短板

这个基准想测三件事：RT-Perceive，用观察跟踪世界状态的变化；RT-Deliberate，根据可用时间调整推理的深度和长度；RT-Act，在恰当的时间点做出动作。三个能力都和时间有关。36% 的墙钟成绩说明，时间压力是当前模型的明显短板。

基准由多所大学和公司联合构建。参与者包括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 也在其中。36% 的通过率，换成十个任务，平均要失败六次以上。把这类实时任务交给 AI 代为操作，眼下还不现实。

一句话生成一个可交互世界

Google DeepMind 发布了 Genie 4，新一代世界模型。目前以研究预览形式向部分受信任测试者开放，最终会提供给 Google AI Ultra 订阅者。

Genie 4 允许用自然语言实时修改模拟。改变天气、移动相机、引入新的人物或物体，Gemini 会根据场景上下文适配提示。它模拟真实世界的物理场景，包括空气动力学和碰撞。人物模拟是这次进展最明显的部分。角色动作自然，对环境反应自然，还能实时交互操控。

这是 Genie 系列第一个原生生成音频的实时世界模型，支持实时适配的交互式对话。

可靠性来自内嵌的 Gemini 3.8 Flash。这个快速模型在循环里充当引导代理。它持续观察场景，把目标拆成步骤序列。然后检查输入帧来跟踪进度，验证每一步是否成功。世界模型自己生成，另一个模型持续校准。

太空正在变成竞争前线

美国国防情报局（DIA）发布报告《Challenges to Security in Space》。报告指出，中国和俄罗斯正在发展一系列进攻性太空能力。手段从动能摧毁到复杂干扰和网络作战。目的是削弱或摧毁其他国家的太空服务。

中国过去十年间年度太空发射次数增加两倍以上。2016 年是 22 次，2025 年是 93 次。报告预计，到 2020 年代末，中国可能部署天基定向能武器。更高功率的地基定向能武器也可能出现，威胁高轨道卫星。

俄罗斯方面，Peresvet 是地基激光系统。它用于致盲敌方卫星的光学系统，掩护本国战略导弹系统移动。2019 年发射的 Cosmos 2542 释放了子卫星 Cosmos 2543。后者跟踪一颗美国国家安全卫星，多次近距离接近。这造成了潜在危险操作条件。Burevestnik 是一种共轨空射反卫星武器，用于消灭低地球轨道卫星。

2022 年 2 月，俄罗斯发射了一颗卫星。莫斯科当时称，是在测试太空辐射对电子系统的影响。这颗卫星进入的轨道异常且孤立，与其他航天器都没有交集。俄罗斯还在试验太空核武器。核爆产生的电磁脉冲会立即影响范围内的卫星，还可能波及民用基础设施。

这些能力指向同一个判断：太空正在成为大国竞争的前线。

另一种思路：让推理可验证

Metis 是一家初创公司，研究方向是构建推理能力更强的 AI 架构。它发表了一篇论文，阐述自己的方法。方法融合符号推理和神经推理，想为开放域问题搭一个更可靠的推理核心。论文描述的是设计方向。

论文指出当前模型缺少两个要素。一是显式且持续的认知状态；二是选择推理动作的标准，确保每个动作朝目标推进。第一个缺失让模型难以积累和跟踪自己知道什么；第二个缺失让推理缺少推进标准。

关于幻觉，Metis 设了一道审核闸门。对一条声明证据状态的任何修改，都必须有证据支持或通过明确计算验证。之后再由一个独立的判断系统批准。模型生成的内容不能仅仅因为合理就进入被接受的认知状态，必须通过证据评估。

Metis 的做法，是把验证放进推理流程。能否落地，要看后续有没有原型和测试结果。