我们探讨了小型 LLM 代理在明确的墙钟时间预算下能否既遵守分配的运行时长，又能高效利用剩余时间。实验使用 Qwen3.6-27B 在 MLE‑Bench Lite 的五个竞赛任务上进行评估，并在 Zork I（Jericho）上测试 Qwen3‑4B，这两个基准都能通过额外计算时间显著提升表现。
在最简设置中，仅在提示中给出预算，代理往往无法将预算转化为受控的时间使用。主要原因是缺乏时间感知：测试平台不提供计时反馈，且模型难以预测动作耗时，也没有学到从可用时间映射到合适策略的能力。
我们尝试了两类干预措施：
- 基于 harness 的机制，向模型暴露计时信息并强制截止时间；
- 使用预算感知奖励的强化学习（RL），其中 GRPO（Generalized Reward‑Based Policy Optimization）在 Zork I 上实现了几乎完美的预算遵守，并能推广到未见过的预算，但在 MLE‑Bench 上并未提升任务表现。
向 harness 注入计时信息显著提升了 Qwen3.6-27B 的预算遵守率，且性能基本不受影响；进一步的 enforcement hook 能进一步收紧遵守程度。
即便代理能够遵守预算，它们仍未能有效利用额外时间提升任务表现。RL 训练的策略学会了何时停止，但常在多余时间内重复动作；在多个预算上进行 GRPO 训练时，策略倾向于收敛到最短预算下的行为模式。
我们的结果表明，时间遵守与生产性时间分配之间仍存在显著差距，这对预算条件化的代理构成了核心挑战。
点评