如果纳什均衡与动态过程的长期结果相对应，它作为预测工具的有用性可能取决于向均衡的收敛率。本文通过实验测试了在智能体具有互补奖励的竞争之间分配资源情况下，关于收敛到平衡速率的理论预测。响应性更强的竞赛成功函数给了智能体更强的激励去做出最佳反应，但学习模型预测在响应性更强的成功函数下，由于智能体在均衡状态下面临奖励，导致向均衡状态的收敛速度更慢。与学习模型的预测一致，我们观察到在反应更强烈的成功函数下收敛的速度更慢，这表明非均衡奖励包含了在经验环境下收敛到均衡的速度有用信息。