2026 年 2 月 4 日，AI 評測機構 METR 把 GPT-5.2 加進「時間視野」（time horizon）追蹤基準——前一天才剛納入 Gemini 3 Pro 與 GPT-5.1 Codex Max。數字一出就是紀錄：GPT-5.2 在「高」推理模式下，50% 時間視野約 6.6 小時（95% 信賴區間 3 小時 20 分至 17 小時 30 分），為這項基準設立以來的最高標記。
這個數字衡量的事很具體：把任務交給 agent，它有一半機率能完成的任務長度，以人類專家完成同一任務所需的時間計。6.6 小時代表「交代一個下午的工作」首次進入可靠範圍——對照 2025 年中模型還在 1 小時上下徘徊，這是 agent 從 demo 邁向可委派的分水嶺。
時間視野是什麼：指標怎麼算
METR 的定義：時間視野是「預測 agent 能以指定可靠度完成」的任務時長，以人類專家的完成時間衡量。做法是先由受過訓練的專業人員估出每個任務的完成時間（取幾何平均），再對「成功率 vs 人類時間的對數」擬合邏輯迴歸曲線，讀出 50% 與 80% 成功率的交叉點。每個模型在每個任務上大約跑 8 次。
任務來自三個套件：RE-Bench（ML 研究工程）、HCAST（範圍較廣的軟體工程）與 SWAA（較短的軟體操作任務），合計超過一百個。要注意的是，這些任務以軟體工程與研究為主——時間視野衡量的是「工程任務長度」，不是泛用的辦公能力。
GPT-5.2 的 6.6 小時代表什麼
三個必須一起讀的脈絡。第一，6.6 小時是「高」推理模式的結果，不是更極端的 xhigh 檔位。第二，信賴區間很寬（3 小時 20 分到 17 小時 30 分），單一點估計的誤差不可忽略。第三，METR 明言目前任務套件在 16 小時以上的測量「不可靠」——任務難度的天花板正在逼近量測極限，這也是他們持續擴充套件的原因。
與前代與同代模型的對比
把座標點連起來，斜率才是重點：
- GPT-5（2025 年 8 月量測）：約 2 小時 17 分
- GPT-5.1 Codex Max：約 2 小時 42 分
- Claude Opus 4.5（2025 年 12 月加入）：約 4 小時 49 分
- GPT-5.2（2026 年 2 月 4 日加入，高推理模式）：約 6.6 小時，發布即登頂
也就是說，OpenAI 一個世代就把自家紀錄從 2 小時 17 分推到 6.6 小時，接近三倍；同週入榜的 Gemini 3 Pro 與 GPT-5.1 Codex Max 都被壓在其下。上一個持續領先的模型是 Anthropic 的 Claude Opus 4.5，4 小時 49 分的紀錄只保持了約六週。
每 4–7 個月翻倍的指數趨勢
METR 的歷史資料顯示，50% 時間視野大約每 4 到 7 個月翻一倍，而且指數曲線對資料的擬合優於線性與雙曲線——目前沒有觀察到趨勢放緩的證據。GPT-5.2 的結果被廣泛解讀為翻倍仍在加速的佐證。照這個節奏外推，「可靠工作日長度」（4 到 8 小時）的任務在 2026 年內就會成為常態，規劃 agent 架構時值得直接以此為基線——這也是我們在2026 開年展望中的判斷。
對工程與產品團隊的意義
三個務實結論。第一，任務拆分策略要重寫：當 6 小時任務的可靠度過半，舊的「拆到 30 分鐘再逐步組裝」打法，會被「整段委派加檢查點驗收」取代。第二，監控比以往更重要：一半成功率意味着另一半會失敗，驗收測試與復原機制是架構的一部分，不是選配。第三，模型選型該盯時間視野而非單點分數：SWE-bench 之類的成績不會告訴你，模型能否撐完一個下午的連續工作。
參考來源
- Task-Completion Time Horizons of Frontier AI Models — METR
- METR estimate for OpenAI GPT-5.2 (high reasoning effort) — METR on LinkedIn
- METR Time Horizons — Epoch AI
本文由 AI 協助自上述來源整理，經人工審核後發布。