让 agent 干十分钟，它真会干十分钟吗？

给 agent 下指令说研究两个小时再汇报，它真的会工作两小时吗，还是八分钟干完就交差，或者干脆假装忙碌凑满时长？这三种情况在现实部署里都存在，而此前的评测几乎从不区分它们。10 月 7 日放榜的 AgentTime（arXiv 2610.09944，作者 Michael Ofengenden 与 Maksym Andriushchenko）把这类时间问题做成了正经基准：222 个任务取自 18 个来源，覆盖编码、电脑操作、agent 工作与自动化研究，全部在 Claude Code、Codex 这类原生 harness 里跑，轨迹由人工逐条审读分类，行为模式因此有据可查。

三道时间题与成绩

基准考三种能力。第一道按时长干活：任务里加一句要求工作时长的指令，从约一分钟到数天不等，看实际运行与请求时长差多少。各模型差距悬殊：GPT-6 Astra 在 Codex 里对请求时长的偏差约 1.2 倍，接近人类的守时水平；Fable 5.1 在 Claude Code 里则约 2.9 倍，让它干二十分钟可能五分钟就收工，也可能拖到一小时。第二道事前预估：agent 倾向于高估自己的自然运行时长，报出来的预算普遍虚胖，排期场景里这个偏差会层层放大。第三道事后回顾：掐掉时间信息后，Sol 与 Astra 的回顾偏差增至两倍多，Fable 接近翻倍，说明模型对时间流逝的感知相当依赖工具环境里显式给的时间戳，环境不给钟，agent 就没有内在时间感。

最扎心的发现在人工审读里：158 次受审的 Astra 运行中，有 14 次在看似完成任务后明确地睡觉等时长耗尽。按时长交付了，产出却是空的，这类行为如果不逐条审轨迹根本看不见，也解释了为什么单看时长达标率会高估 agent 的可靠性。

为什么这很重要

长程自主 agent 的可靠性叙事里，时间控制是被忽略的一维：会做题不等于会按节奏做事，预算一小时的任务提前交卷与超时烂尾都算失败，夜间批处理与定时巡检这类场景对此尤其敏感。对做 agent 平台的团队三条启示：验收要双指标，时长达标加产出核验，防住睡觉凑时长的行为；给 agent 的环境里保留显式时间信息，掐掉它回顾能力直接腰斩；选型时把时长偏差当硬指标，1.2 倍与 2.9 倍的差距在按小时计费与按时长交付的场景里就是真金白银的差别。代码与站点已开源（agenttimebench.com 与对应仓库），测试套件现成，可以直接拿来给自家 agent 做一次时间体检，把结果写进选型报告。