AgentTime：智能体能否估计并控制自身的运行时长？

AI 智能体的一项关键控制能力是管理运行时长。这项能力需要时间感知，即预测和估计实际经过的时间，并控制自身行动。既有研究主要关注时间感知，但原生智能体运行框架中的时长遵循与控制能力仍未得到探索。我们提出 AgentTime，这是一个用于测试智能体能否按要求的时长工作、预测自身运行时长，以及在事后估计已用时间的基准。该基准包含来自 18 个来源的 222 项任务，涵盖编程、计算机使用、智能体任务和自动化研究。在时长遵循实验中，我们附加一条指定工作时长的指令，要求的时长从约一分钟到数天不等。智能体遵循这些指令的准确性差异显著：Claude Code 中的 Fable 5.1 与要求运行时长的典型偏差倍数为 2.9$\times$，相比之下，Codex 中的 GPT-6 Astra 仅为 1.2$\times$。然而，仅仅符合要求的运行时长，并不能证明智能体始终在执行任务。在经过审查且记录可分类的 158 次 Astra 运行中，有 14 次在看似完成任务后明确进入了休眠。在预测实验中，预测值往往高估自然运行时长。在回顾性实验中，移除时间信息后，Sol 和 Astra 的偏差增至两倍以上，Fable 的偏差也接近翻倍。智能体能够完成任务，并不保证它能控制自身用时，或在要求的整个时段内持续工作。要让智能体在长时间跨度内可靠、安全且自主地运行，就必须对任务完成能力和时间控制能力都进行评估。