AgentTime 基准 v1.1:GPT-6 Astra 时间感知居首,Claude 系陪跑
maksym_andr · x · 2026-11-03
AgentTime 基准更新至 v1.1,用单一综合分衡量 AI agent 的时间感知,包含三个维度:时长遵循(duration following)、耗时预测(forecasting)、回溯自察(retrospection),共 200 个任务、每个 agent 跑 600 次,并新增 Opus 5.5、Gemini 4-Argon、GPT-6.1 Sol、MiMo v2.6、Muse Wonder 等模型。
主要结果:
- 综合分 GPT 系明显领先:GPT 6 Astra 51% 居首,GPT 6.1 Sol 41%,GPT 5.6 Sol 27%;Claude Fable 5.1 26%、Opus 5.5 20%,Gemini 4 Argon 19%,MiMo Pro UltraSpeed 仅 6%。
- 时长遵循:GPT 6.1 Sol 65% 的运行落在要求时长的 ±5% 内(误差 1.15×),GPT 6 Astra 61%;Opus 5.5 只有 6%,MiMo UltraSpeed 3%,Muse Wonder 典型误差高达 9×。
- 耗时预测:所有 agent 都不太准,最好的 Opus 5.5 典型误差也有 2.26×,多数系统性偏高或偏低。
- 回溯自察:GPT 6 Astra 最佳(原生条件误差 1.10×),去掉时间线索后各家误差普遍放大。
结论:GPT 系 agent 在「知道自己跑了多久、还要跑多久」这件事上明显领先,Anthropic 与其他家差距较大。
「编程与Agent」频道最新
- Obsidian 作者开源 Pele:Mermaid 图表渲染比 mermaid.js 快 100-500 倍 — Teknium · 2026-11-03
- 用 spare agent 搭 eval:codemode 在同一会话里孵化子智能体 — mitsuhiko · 2026-11-03
- Impeccable 在 GitHub 突破 10 万星，创始人预告接下来数周密集更新 — jamdac · 2026-11-03
- Every 将直播「Compound Sandwich」：哪些工程工作流该交给 Agent — every · 2026-11-03
- Every 推出 Slack AI 同事：@一下分派任务、工作流可存为技能复用 — every · 2026-11-03
- 一人跑两家 AI 公司:8 个 Grok Bot 组成全自动管理团队 — alexgoughcooper · 2026-11-03