🎯 问题与形式化
现有设定假设'agent 推理期间世界暂停、算力无限'；RealtimeGym 让环境每 N_TE 个生成 token 强制走一步，超时执行默认动作。
三个自建文本游戏对应三种动态：Freeway=动态危险（车流）、Snake=动态机会（限时食物）、Overcooked=动态协作（非平稳脚本队友）。每个游戏有认知负荷旋钮（车道数/障碍密度/台面长度），与四档时间压力（32k/16k/8k/4k token/步）构成二维网格。默认动作：Freeway/Snake 沿原方向，Overcooked 原地。
token 时钟的合法性验证：DeepSeek 官方 API 全轨迹最小二乘 T=0.0473N+334.55s，R²=0.9986——解码墙钟对 token 数近乎完美线性。但作者同时自声明：跨模型比较不公平（tokenizer/架构不同），gym 用于固定模型族下比较 agent 设计。这句自我划界正是墙钟评测（模型无关时间轴）的让位声明。指标按游戏最高分归一化到 [0,1]。
🔧 AgileThinker
双线程：Planning 线程流式产出长程推理（不追环境节奏），Reactive 线程在时限内基于最新观察+Planning 的部分推理轨迹出动作。
两个基线范式：Reactive=每环境步一个动作（非思考模型或思考模型 budget forcing 截断到预算 N_i≤N_TE）；Planning=跨多步推理出计划、执行到下次推理——计划生成期间世界已变，执行过期计划是其失败模式。AgileThinker 的关键设计是 Reactive 读 Planning 的 partial 输出（流式），不等它想完。
实验用 DeepSeek V3（reactive）+R1（planning）——开源+推理轨迹透明是选型原因。Gemini 复现拿不到推理流，只能弱化为'引用完成后的计划'，方向性结论不变。Code-as-policy 试过且有根本局限：生成代码难表达对动态实体的条件反应（附录）。
📊 结果
压力 32k→4k：Planning 0.92→0.05 崩溃，AgileThinker 0.90→0.58，Reactive 平庸但稳；优势随负荷与压力增大而统计显著。
深推理在时间压力下的崩溃是全文最锋利的数字：0.92→0.05。快答不崩但上限低。混合范式把崩溃拉缓到 0.58。墙钟实验（TPOT=0.047s/token 换算）确认结论迁移到物理时间。
p 值热图显示 AgileThinker 对两个单范式的优势在高负荷×高压力象限统计显著（p<0.05），低压力下不显著——'快慢分离只在时间紧时值钱'。future work 原文点名：扩展到更真实场景、改进双线程协调、'train urgency-aware LLM agents'——训练侧完全留白。
💡 对主线的启示
协议范式直接搬（二维网格+默认动作+归一化）；token 时钟的自我划界是墙钟评测的让位声明；发表 9 个月引用≈0，G2/G4 缺口敞开。
四点：① 调速阶梯=同构协议换轴（token→环境侧墙钟、文本→视觉）；② 作者自认跨模型不公平——'用墙钟'的理由由它自己供给；③ AgileThinker 在我们框架里是被测系统设计而非贡献（快慢分离 harness 实证最强版）；④ 'train urgency-aware agents' 列在 future work 无人接——微调臂的定位佐证。
注意 token 时钟测不到的东西：TPOT 差异、批处理、网络抖动、prefill——真实时延来源全部被抽象掉，这既是它干净的原因也是它与部署脱节的原因。Planning 的失败模式（执行过期计划）与 VideoGameBench 的 stale action 同型，可合并引用为'世界不等模型'的两级证据（文本/视觉）。对照阅读：Gaia2/ARE（仿真时间版）、Win Fast or Lose Slow（真实系统时延版）、TickingCollabBench（真墙钟 Minecraft 版）。