研究：Claude Code和Coze等AI编程助手普遍高估任务耗时10倍

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。这对于长时间运行的任务来说是个问题。

当 AI 助手处理一个任务时，它通常不知道时间过去了多少。这是两位独立 AI 研究人员在 MATS 研究项目中得出的一项结论。他们测试了两款广泛使用的编程助手——Anthropic 的 Claude Code 和 OpenAI 的 Codex——在时间感知方面的表现。

在每个编程任务开始前，Agent 需要估算自己需要多少时间。然后它们完成任务，回顾时报告已经过去了多久。测试材料来自 ProgramBench 收藏中的 200 个任务，以及研究人员自己的 18 个基准测试套件。

在测试中，Agent 一贯高估了自己需要的时间。在 ProgramBench 上，两个模型大多猜测大约 90 分钟，不管难度如何。在第二轮测试中，Claude 的误差平均达到 3 倍，Codex 达到 6 到 10 倍。短任务的估算最不准确，只有在数小时范围内的一些预测才接近现实。

同一 AI 在不同配置下表现完全不同

结果会因模型运行的软件配置不同而改变。Claude Code 持续工作直到它认为任务完成，中位数约为 90 分钟。另一方面，Codex 大约在半小时后停止，几乎不考虑任务本身。根据这项研究，同一个语言模型在 Claude Code 中平均比在 Codex 中多花费 2.5 倍的步数。因此，运行时间取决于模型本身，也严重依赖于周围的软件——即所谓的 harness。

Agent 在判断自己工作质量方面同样不可靠。更老的模型 Opus 4.8 和 GPT-5.5 平均高估自己的结果 20 分，即使任务失败也给自己打高分。在一个案例中，两者都认为自己的工作成功率约为 70%。实际得分分别为 7% 和 14.5%。

研究人员表示，这种自我评估能力很重要。对于一个能够可靠地处理长达数小时的长任务的 Agent，它必须能够遵循类似"在这个任务上迭代两小时"这样的指令。一个经常误判时间的 Agent 很难控制。接下来，作者希望测试 Agent 是否能够遵守设定的工作时长。当 Agent 可以使用一个报告已用时间的工具时，它们几乎每次都能正确判断。