让 GPT-6 去抢一张热门演出票，它多半抢不到。英伟达和得州大学奥斯汀分校出了个新测试，把 12 个前沿模型放进会动的环境里，成绩最好的一个，任务成功率 44%。
测试考三种本事，看环境变了没有，掂量还剩多少时间，掐准时机动手。抢票、拍卖出价、俄罗斯方块，全都等不了你慢慢想。
结果里有条反直觉的发现。让模型多想一会儿再动手，成绩不升反降，有个模型从 44% 掉到 30%。方块不等人，你想得越久，落点越糟。堆算力的老路子在这里失灵了，思考本身是有时间成本的。
我平时用 AI 办事的体会正好对上。模型答得对不对是一回事，等不等得起是另一回事。跑分榜上动辄 90 多分的模型，一到世界不暂停的场景就露馅。智能体要真进生活，订票、打车、催单、客服，全是时间敏感的活，慢一步机会就没了。
下一场模型的比拼，比的可能没那么复杂，谁反应快，还稳。测试的评分方式也说明了这一点，同一任务连做三次全成才算过，稳定性比单次高分难得多。