ReLiveGym 通过数周重放真实世界信息流评测长时程智能体，发现行动时机机制影响性能

论文提出 ReLiveGym，让大语言模型智能体在按时间重放的数周新闻、市场与社交媒体流中稀疏行动，以评测长时程任务。跨八个基础语言模型测试显示，智能体如何决定何时行动是重要的运行框架设计轴，最优设计会随任务和模型选择变化，持续从事后反馈中学习也影响性能并缓解失败模式。事实是这些结果来自预印本；推断是长时程智能体产品应把触发时机与反馈闭环纳入设计；材料未提供商业数据，故不猜测收益。