AI Agent 缺乏时间感知能力，无法准确预估任务耗时

Nano Banana Pro 受 THE DECODER 提示

一项新研究发现，流行的编程助手无法预测任务耗时，也无法可靠地报告它们已经工作了多久。这对耗时较长的任务来说是个问题。

当 AI 助手处理任务时，往往意识不到时间的流逝。这是两位独立 AI 研究人员在 MATS 研究项目中得出的结论。他们测试了 Anthropic 的 Claude Code 和 OpenAI 的 Codex 这两款广泛使用的编程助手的时间感知能力。

在执行每个编程任务前，代理必须预估所需时间。随后它们完成任务，并回顾报告实际耗时。测试素材来自名为 ProgramBench 的 200 个任务集，以及研究人员自建的 18 个基准测试套件。

在测试中，代理总是严重高估所需时间。在 ProgramBench 上，无论任务难度如何，两个模型大多猜测需要约 90 分钟。在第二轮测试中，Claude 的平均误差是实际时间的 3 倍，Codex 则是 6 到 10 倍。估算偏差在短任务上最为严重，只有在数小时的范围内，部分预测才接近现实。

同一 AI 在不同配置下表现截然不同

结果取决于模型运行的软件环境。Claude Code 会一直工作直到认为任务完成，中位时长约为 90 分钟；而 Codex 则会在大约 30 分钟后停止，几乎与任务无关。研究显示，同一语言模型在 Claude Code 中的平均步数是 Codex 的 2.5 倍。因此，运行时间既取决于模型，也严重依赖被称为“框架”的周边软件。 这些代理在评估自身工作质量方面同样极不可靠。较旧的模型 Opus 4.8 和 GPT-5.5 平均会高估 20 分，甚至在任务失败时也给自己打高分。在其中一个案例中，两者都认为自己的工作完成了约 70%，而实际得分仅为 7% 和 14.5%。

研究人员表示，这种自我评估能力至关重要。为了让代理在数小时的长时间任务中可靠地工作，它必须遵循诸如“迭代此任务两小时”的指令。一个无法准确判断时间的代理很难控制。接下来，作者希望测试代理是否能遵守固定的工作时长。当代理获得一个显示已用时间的工具时，它们几乎每次都能做到准确无误。