任务耗时预估偏差高达10倍

AI编程助手正越来越多地被用于执行耗时数小时的复杂自主任务，但一项新研究表明，这些工具对时间的感知能力几乎为零。研究由两位独立AI研究员在MATS研究项目框架下完成，测试对象为Anthropic的Claude Code和OpenAI的Codex。研究人员在每项编程任务开始前要求AI预估所需时间，任务完成后再让其回顾实际耗时，以此衡量两款工具的时间判断能力。

测试结果令人担忧。在ProgramBench的200个任务中，两款工具无论任务难度如何，预估时长几乎都集中在90分钟左右，缺乏对任务复杂度的有效区分。在研究者自建的基准测试中，Claude Code的时长预估平均偏差约为实际值的3倍，Codex则高达6至10倍。偏差在短任务上尤为明显，只有当任务实际耗时进入多小时区间时，部分预估才开始接近真实情况。

研究还发现，同一底层语言模型在不同软件框架下的表现差异显著。Claude Code会持续工作直至认为任务完成，中位运行时长约为90分钟；而Codex则倾向于在约半小时后停止，几乎不受任务性质影响。数据显示，同一模型在Claude Code中平均执行的步骤数是在Codex中的2.5倍，说明运行时长不仅取决于模型本身，还在很大程度上受到外围软件框架的影响。

除时间感知外，这两款工具在自我质量评估方面同样表现失准。较旧版本的Opus 4.8和GPT-5.5平均将自身得分高估约20个百分点，甚至在任务明显失败的情况下仍给出高分。研究中记录了一个极端案例：两款工具均认为自己完成了约70%的任务目标，而实际测试得分分别仅为7%和14.5%，差距触目惊心。

研究者指出，时间感知与自我评估能力对于AI代理的可靠运行至关重要。若要让AI代理执行「在两小时内持续迭代此任务」这类指令，它必须具备准确感知时间流逝的能力。一个持续误判时间的代理将极难被有效监控和控制，这对当前AI系统的自主部署构成实质性风险。值得注意的是，当研究者为代理提供一个可查询已用时间的工具时，其时间判断准确率大幅提升，几乎每次都能给出正确答案，这为未来的改进方向提供了参考。

要点

• Claude Code和Codex均存在系统性时间感知缺陷，任务耗时预估偏差分别达实际值的3倍和6至10倍，短任务误差尤为突出。
• 两款工具对自身工作质量的评分平均高出实际得分约20个百分点，在任务失败时仍可能给出虚高评价。
• 同一底层模型在不同软件框架下的运行时长差异显著，Claude Code中的执行步骤数平均是Codex的2.5倍，说明框架设计对AI行为影响深远。
• 当为AI代理提供可查询已用时间的外部工具时，其时间判断准确率大幅提升，提示工具辅助是弥补这一缺陷的可行路径。
• 时间感知能力的缺失使AI代理难以可靠执行长时自主任务，对当前AI系统的监管与控制构成实质性挑战。