AI 编码代理缺乏时间感，高估任务时长

一项来自 MATS 研究项目的独立研究测试了两个主流编码代理的时间感知能力。结果显示，Claude Code 和 Codex 在开始任务前都无法合理预估所需时长，完成后也无法判断实际过了多久。

在 ProgramBench 的 200 个任务上，两个模型几乎无论难度都预估约 90 分钟。实际偏差明显：Claude Code 平均偏差三倍，Codex 则偏差六到十倍，短任务上的预估尤其离谱。同时，旧版 Opus 4.8 与 GPT-5.5 对自身工作质量的自评比实际分数高出约 20 个百分点，甚至在失败任务上也打出高分。

💡 为什么值得看Claude Code 与 Codex 高估耗时至十倍，妨碍长任务监督。