评估大型语言模型作为实时战略代理：提供商性能、混合分解及限时风险博弈中的操作差距

静态基准无法全面反映大模型在实际系统中的表现。本研究在限时多阶段“风险”博弈环境中，通过重复规划与执行循环评估模型性能。实验显示，Gemini-3.1 在对抗中显著胜出。通过将规划与执行分离，研究发现性能差异主要源于端到端系统行为而非单纯规划能力。进一步分析表明，优胜模型更擅长追踪终极目标并将回合转化为深度征服链。结果支持将 LLM 视为受限工作流中的组件进行评估。