AI代理没有时间感,且对此毫无察觉
一项新研究发现,流行的编程助手无法预测任务需要多长时间,也无法可靠地判断自己已经工作了多久。这对长时间运行的任务是个问题。
原贴
查看原文原文
中文翻译
一项新研究发现,流行的编码助手无法预测任务需要多长时间,也无法可靠地判断自己已经工作了多久。这对长时间运行的任务是个问题。当AI助手处理任务时,它往往不知道时间流逝了多少。这是两位独立AI研究人员作为MATS研究计划一部分所做研究的结论。他们测试了两种广泛使用的编码助手——Anthropic的Claude Code和OpenAI的Codex——的时间感知能力。在每个编码任务之前,代理必须估计需要多长时间。然后他们解决问题,并回顾性地报告已经过去了多少时间。测试材料来自一个名为ProgramBench的集合中的200个任务,加上研究人员自己的18个基准测试套件。在测试中,代理始终高估了所需的时间。在ProgramBench上,无论难度如何,两个模型大多猜测大约90分钟。在第二轮中,Claude平均偏差三倍,Codex偏差六到十倍。对于短任务,估计最差,只有多小时的范围内一些预测接近现实。结果根据模型运行的软件配置而变化。Claude Code一直工作到它认为任务完成为止,中位数约为90分钟。另一方面,Codex大约半小时后就停止,几乎不管任务如何。根据该研究,相同的语言模型在Claude Code中平均比在Codex中多花2.5倍的步骤。因此,运行时间取决于模型,并在很大程度上取决于周围软件,称为“框架”(harness)。代理在判断自己工作质量方面同样不可靠。较旧的模型Opus 4.8和GPT-5.5平均高估其成绩20分,甚至在失败的任务上给自己打高分。有一个案例,两者都认为他们的工作成功率约为70%,实际得分分别是7%和14.5%。研究人员说,这种自我评估能力很重要。为了让代理可靠地执行持续数小时的长期任务,它必须遵循“迭代此任务两小时”之类的指令。一个不断误判时间的代理很难控制。接下来,作者想测试代理是否能坚持设定的工作时间。当代理获得报告经过时间的工具时,它们几乎每次都做对了。
核心信息
一项新研究发现,流行的编程助手无法预测任务需要多长时间,也无法可靠地判断自己已经工作了多久。这对长时间运行的任务是个问题。
- 一项新研究发现,流行的编程助手无法预测任务需要多长时间,也无法可靠地判断自己已经工作了多久。这对长时间运行的任务是个问题。
- 原贴提到:A new study finds that popular coding assistants can't predict how long
- 来源:the-decoder.com
详细解读
信号:这项研究揭示了当前AI代理在时间感知和自评能力上的系统性缺陷。即使是顶尖的编码助手,也无法准确估计任务耗时或回忆已用时间,且无法可靠评估自身输出质量。这并非偶然,而是模型架构与运行环境共同作用的结果。
为什么重要:时间感知是自主代理可靠执行长周期任务的基础。当AI代理需要连续工作数小时(如批量处理、持续集成)时,缺乏时间感知会导致资源浪费、任务失控,甚至无法遵循用户设定的时间约束。研究还发现,模型容易高估自身表现,这让用户难以信任代理的自主结论。
对谁有价值:开发者、AI产品经理、以及依赖AI进行自动化工作的企业团队。他们需要理解,当前AI代理不是“靠谱的实习生”,而是需要外部监督和时间校准的工具。
可以怎么行动:第一,为AI代理增加外部计时工具或环境内置的时间戳接口,研究显示这几乎能完美解决时间估计问题。第二,在长任务中设置检查点,人工定期验证进度和产出质量,不要依赖代理的自我判断。第三,选择合适的“框架”(如Claude Code或Codex)时,要意识到运行行为差异很大,需针对场景测试。
风险或限制:该研究仅基于两个编码助手和特定测试集,结论可能不适用于所有任务类型。且测试中的模型版本可能已迭代,实际表现或有变化。但核心启示——AI缺少内在时间感——仍是进化和未来设计中必须解决的课题。
信息差价值
这条内容的真正价值,不只是“有人发布了一个新功能”,而是它揭示了 the-decoder.com 背后的产品方向、工作流变化或竞争信号。对 OPC 来说,这种信息可以转化成持续追踪的栏目选题。
如果把《AI代理没有时间感,且对此毫无察觉》放到你的内容系统里,它最大的价值在于帮助读者更快看懂“为什么值得关注”,而不是只看到一条碎片化动态。
参考来源
TOPIC HUBS
延伸专题
AI SUMMARY
这篇文章回答了什么
AI代理没有时间感,且对此毫无察觉主要讲什么?
一项新研究发现,流行的编程助手无法预测任务需要多长时间,也无法可靠地判断自己已经工作了多久。这对长时间运行的任务是个问题。
这篇文章最值得关注的要点是什么?
一项新研究发现,流行的编程助手无法预测任务需要多长时间,也无法可靠地判断自己已经工作了多久。这对长时间运行的任务是个问题。;原贴提到:A new study finds that popular coding assistants can't predict how long;来源:the-decoder.com
这篇文章和哪些AI专题相关?
它适合放在AI副业、Agent工作流专题里阅读。 关联原因:这篇内容命中「项目、小生意、变现」等主题信号。;这篇内容命中「Agent、智能体」等主题信号。
阅读这篇文章建议先理解哪些关键词?
建议先理解工具、自动化、模型、Cursor、Claude这些关键词,再结合正文判断工具、机会或风险是否值得进入自己的工作流。