AgentTime：AI 智能体能否预估并控制自身运行时长？

研究者推出 AgentTime 基准，用 222 个来自 18 个来源的任务测试智能体能否按指定时长工作、预测运行时间并估算已用时间。在时长遵循实验中，Claude Code 中的 Fable 5.1 与请求时长的典型偏差为 2.9 倍，而 Codex 中的 GPT-6 Astra 仅为 1.2 倍；158 次可分类的 Astra 运行中有 14 次在看似完成后显式休眠。