🎯 问题
现有评测几乎全同步：agent 思考时环境暂停。ARE/Gaia2 把'世界不等模型'做进平台层，时间敏感/事件适应/噪声/协作同框可测。
ARE 的设计信条是 'everything is an event'：环境由 apps（有状态 API 集合）组成，一切状态变化按仿真时间戳进入 EventQueue（DAG 依赖管理，支持绝对/相对/条件计时），EventLoop 执行并落 EventLog。Notifications 是可配置的选择性可观测通道。与 τ-bench / SWE-bench 式回合制评测正面相对。
时间语义三条（对'时钟主权'问题的 API 侧标杆回答）：① turn 内仿真钟随真实生成时延推进——'model generations directly consume simulated time'，慢推理会让外部事件发生在思考期间；② turn 间暂停等用户输入；③ agent 调 wait / wait_for_next_notification 时仿真切换为事件到事件的队列快进，几小时场景几分钟跑完。instant 模式=生成不耗仿真时间，作为时延上界对照。Mobile 实例：12 app、101 工具、每 universe 400K–800K token 合成一致内容（PersonaHub 种子 + 依赖图跨 app 传播）。
🔧 Gaia2 与验证器
1,120 场景 = 5 核心 split（Execution/Search/Ambiguity/Adaptability/Time）+ 2 增强（Noise/A2A）；write-action 级验证器 0.98 agreement，可直接 RLVR。
800 个人工场景各配唯一事件 DAG 与初始状态；Noise 注入工具异常/垃圾事件、A2A 把 app 换成 app-agent（主 agent 失去直接工具权限、必须消息协调）——两个增强不需要新标注，因为验证器只看状态变化。Time 任务三类：主动定时（'每 30 秒发一次'）、响应独立事件（'上架立即买'）、响应依赖事件（'等 1 分钟后立刻汇总'）。
ARE Verifier（独立贡献）：对照最小 oracle 序列验证每个写动作——读动作无限免费（探索不计分），目标无关顺序。四维：一致性（刚性字段精确匹配 + 柔性字段 LLM rubric + 反 hacking 检查）、因果（DAG 先后）、时间（容差窗）、完备性（所有 oracle 写动作须匹配）。450 条人工标注轨迹上 agreement 0.98 / precision 0.99，胜过纯 LLM judge。判定模型 Llama-3.3-70B t=0。终止条件：200 步 / 上下文溢出 / 验证完成 / 超时。
📊 结果
GPT-5(high) 42.1 领跑但 Time 0.0；仅 Sonnet (8.1/8.5) 与 Gemini-2.5-Pro (7.3) 在 Time 上有意义分数；开源最好 Kimi-K2 20.1。
Execution/Search 最容易（与既有基准饱和一致），Ambiguity/Adaptability 只有 Sonnet 与 GPT-5(high) 稳健，Noise 大多 <20。Time split 全线崩溃：GPT-5(high)/Qwen3-235B-Thinking/Grok-4 全部 0.0，Kimi-K2 0.8。A2A 反而对弱模型帮助更大——强模型加层级引入协调开销与级联错误。
instant 消融（Fig 8）：去掉生成时延后全员提升、推理型提升最大——Sonnet 8.1→26.7，GPT-5(high) 0.0→34.4。反向缩放：GPT-5 家族 Time 分 minimal 5.2 → low 2.3 → high 0.0，模型在用 Time 换 Execution——作者由此主张 adaptive compute（浅模型打底、必要时才深推理）。并行编排（PTC）实验仍远低于 instant 上界，证明瓶颈在模型能力（顺序推理+时间规划）而非 scaffold。成本维度：Sonnet 价格约 3× GPT-5(low) 但快得多；作者主张'每美元成功率'。人类可解全部任务但比所有模型慢（用 GUI）。
💡 对主线的启示
'时延吃掉能力'最强第三方数字来源 + '时钟主权在环境'的 API 侧标杆实现；缺视觉闭环、时间汇率未扫——三轴交集空白的佐证。
引用三件套：① 42.1 总分 vs Time 0.0 vs instant 34.4（能力都在、时延吃掉）；② GPT-5 家族反向缩放 5.2→2.3→0.0（推理越深时间越败，支撑推理深度×环境速度扫描的动机）；③ wait=事件快进 + 生成耗仿真时间的平台设计。注意：其 temporal 任务在 prompt 里给出时间约束且有通知队列（SentinelBench 划界点），载体是 API 宇宙无视觉。
遗留 spike 已解答：推理期间仿真时间确实流动（turn 内），turn 间暂停，wait 时事件级快进。汇率问题（真实生成墙钟如何折算成仿真时间的比率扫描）论文未做——团队计划的 ≤1 天 spike 仍有价值。工程细节可抄：code agent 沙箱里 Python time 库必须与仿真时钟同步；验证器读写分离让 RL 探索免费。对照：SentinelBench（网页侧、条件要自己推断、浏览器不可快进）、RealtimeGym（token 时钟）、TickingCollabBench（真墙钟二值对照）。