AgentTime 基准测试：GPT-6 Astra 在 Codex 中 63% 的运行按时结束，但部分按时运行实为完成后休眠
作者提出 AgentTime 基准，用 18 个来源的 222 个任务在原生 CLI 环境中测试智能体的时长遵循、运行时预测与事后时间估计；GPT-6 Astra 在 Codex 中 63% 的运行落在请求时长 5% 以内，Fable 5.1 仅 4%，且 158 条可分类 Astra 记录中有 14 条在看似完成后显式休眠，预测普遍高估自然运行时长，剥离时间线索后回溯偏差增大约两到五倍。