你让 AI 点击一个不断移动的按钮，它可能知道该点哪里，却总在出手时慢半拍。因为环境不会等它：模型看完画面、算出动作的这段时间里，目标已经换了位置。Gym-Anything-RT 想测的正是这种“会做，但来不及做”的差距。
这套智能体评测基准包含 100 个视觉小游戏。视觉—语言智能体既要看懂画面和文字，也要操作鼠标或键盘。它最有价值的设计，是让同一个小游戏按正常速度运行、减速，或在智能体思考时暂停。这样，研究者能把“反应太慢”和“根本不会”拆开比较，而不是只看最后是否过关。
差距很明显：据论文作者报告，GPT-6 Astra（xHigh）在实时模式下通过率仅 9.0%，暂停环境后升至 75.0%；把环境放慢 64 倍，通过率也达到 57.0%。这说明对前沿智能体而言，速度是主要瓶颈之一。Gym-Anything-RT 的意义不只是又加一套题，而是把“动作是否及时”正式纳入能力评测。