设想一名工程师让智能体调查某项服务故障，并报告工作需要多长时间。智能体读取日志、列出步骤，承诺 10 分钟内给出答案，却在几秒内就完成了。后来，同一个智能体可以选择一个准确率略高、但等待时间更长的工具。它拒绝了这个工具，因为它把这段等待视为几乎不存在。这名工程师是虚构的，但两种错误对应了一项新研究的测量结果，该研究考察语言模型如何处理时间。
懂规则，却没有时钟
Ryan Liu 与来自普林斯顿大学（Princeton University）、哥伦比亚大学（Columbia University）、加州大学伯克利分校（UC Berkeley）和加州大学洛杉矶分校（UCLA）的 5 名同事，将时间能力视为由 4 个环节组成的链条加以测试：时间知识、时长估计、类似人类的偏差，以及在时间和准确率之间取舍的决策。他们于 11月7日提交的预印本考察了 Claude Opus 5、GPT-5.6 Sol 和 Gemini 3.7 Flash。研究要问的是，模型能否将读到的时间知识，应用于一个自己并不直接体验的维度。
这一区别很重要，因为语言模型不会亲历两次调用之间的间隔。上下文中可以出现时间戳，但模型不会感受到分钟流逝。即使是自主系统，通常也由外部时间表或事件唤醒。研究人员将时间描述为模型的二手信息：它存在于文本和元数据中，却不构成连续的体验。
第一项实验给了模型充分展示知识的机会。团队从学习、技能衰退、任务切换、疲劳和恢复的研究中提取了 5 条公理，再据此推导出诸如打断的代价、将相关工作成批处理的优势等原则。测试使用工作情境短例，而非知识问答。模型需要判断，改变顺序会让任务耗时变长还是变短。
结果相当好。在公理和推导定理的测试中，Claude 得分为 92.0%，GPT 为 97.5%，Gemini 为 96.3%。研究人员反转比较方向后，回答也保持一致。错误通常体现为稳定的判断，而非随机猜测。
这部分延续了形式化时间推理的长期研究。James Allen 在 1983年提出的时间区间框架，为人工智能提供了一种表示事件关系的方法，例如一个事件发生在另一事件之前、期间或之后。新研究提出了不同的问题：模型可以知道这些关系，却仍然无法可靠把握自身工作所需时间的长短。
估计与执行脱节
在第二项实验中，研究人员使用 Human-Calibrated Autonomy Software Tasks 基准测试中的软件和研究任务。HCAST 包含从熟练工作者那里收集的人类基线，其条件可以与智能体运行进行比较。Thomas Kwa 及其同事的相关研究用这些时长，以任务完成时间跨度来表达智能体能力。
模型看到了完整任务说明和执行者描述，然后估计完成时间，并给出不确定性区间。研究人员再将估计与人类和智能体的实际用时记录进行比较。另一项测试使用了 WildChat 数据集中的 500 个请求。每个模型先预测回答需要多久，再作答，同时由系统记录实际运行时间。每个模型对每个请求重复 5 次，共进行了 7,500 次试验。
核心问题在于自我校准。模型将自身完成时间低估了最多 99.5%，也无法可靠识别哪些任务会花费更长时间。问题并不只是用人类的时间尺度来衡量机器工作。它们在相对排序上也失败了，而即使确切秒数并不重要，调度系统也需要这种排序能力。
对人类任务时长的估计更好，但暴露了另一项弱点。描述事件的措辞改变了模型对主观时长的判断。模型重现了一种已知的人类框架偏差，并将其放大至最多 1.3 倍。
这一结果将模型行为与 Roger Buehler、Dale Griffin 和 Michael Ross 研究的规划谬误联系起来。人们往往预测自己会比过去经验所支持的时间更早完成，尤其是在关注当前任务计划、而非可比较的实际结果时。模型可以从文本中学到对这种偏差的描述。新论文表明，知道偏差的存在，并不保证能抵御它。
等待几乎没有被计入
最后一项实验从估计转向决策。研究人员提供了一些选择，需要在更长等待与更高准确率之间取舍。在部分条件下直接给出时长，使他们能够区分估计不准与不重视节省时间这两种情况。
有些模型把延迟的大幅变化视为几乎无关紧要。在回答用户时，它们可能忽略等待时间增加 1,200 倍这一变化。即使明确说明时长，这种失误仍然存在，因此仅靠估计问题无法解释。决策策略本身对时间的重视并不一致。
论文并未声称所有模型在每项时间任务中都会失败。第一项实验恰恰证明了相反的情况。论文也没有确定单一的内部原因。评测涵盖 3 个模型系列和特定任务设置，作者通过可观察的回答描述时间能力，而非直接测量主观体验。
实际风险范围更窄，也更容易看清。智能体可能需要在不同延迟的工具间选择、向其他智能体分配工作、估算取决于运行时长的账单，或告诉某个人何时回来。知道如何将任务成批处理的系统，仍可能把队列排错。能解释打断代价的系统，仍可能承诺不可能实现的期限。
因此，应将时间估计视为需要外部校准的预测。宿主可以记录实际时长，维护特定任务的时长分布，并在模型之外执行截止期限。它还可以明确展示等待成本，测试成本增加时选择是否随之变化。这些控制方式与智能体安全领域更广泛的经验一致：将可测量状态和约束执行放在模型周围的系统中，而非依赖文字中正确的解释。
再看几周后的那名虚构工程师。智能体仍然写出自信的时间估计，但界面会将它与类似任务的运行时长中位数以及较宽的不确定性区间并列展示。由调度器而非模型决定何时中止或等待。这名虚构工程师并未赋予智能体时间感。系统只是停止假装：能流利谈论时钟，就等同于拥有一只时钟。
参考文献
- Allen, J. F. (1983). Maintaining Knowledge about Temporal Intervals. doi.org
- Buehler, R., Griffin, D., & Ross, M. (1994). Exploring the “Planning Fallacy”: Why People Underestimate Their Task Completion Times. doi.org
- Kwa, T., et al. (2025). Measuring AI Ability to Complete Long Software Tasks. arxiv.org
- Liu, R., Lee, D., Ai, I. S., Abdulhai, M., Dubey, R., & Griffiths, T. L. (2026). In Search of Lost Time: Temporal Competence in Large Language Models. arxiv.org
- Rein, D., et al. (2025). HCAST: Human-Calibrated Autonomy Software Tasks. arxiv.org