摘要： METR 於 2026 年 2 月 4 日將 GPT-5.2 納入時間視野追蹤，在高推理模式下測得約 6.6 小時的 50% 時間視野，寫下該基準新紀錄。這項指標以人類專家完成同樣任務的時間換算 agent 任務長度，但信賴區間從 3 小時 20 分到 17 小時 30 分，且任務集中在工程領域。
2026 年 2 月 4 日，AI 評測機構 METR 把 GPT-5.2 列入「時間視野」（time horizon）追蹤名單——Gemini 3 Pro 與 GPT-5.1 Codex Max 進榜不過是前一天的事。成績揭曉隨即成為新猷：在「高」推理模式下，GPT-5.2 的 50% 時間視野落在 6.6 小時上下（95% 信賴區間介於 3 小時 20 分與 17 小時 30 分之間），寫下這項基準問世以來的最佳紀錄。
這項指標回答的問題很實際：把工作交給 agent，它有一半機率做得到的任務能有多長，而長度以人類專家處理同一工作所花的時間換算。6.6 小時意味著「交辦一整個下午的活」頭一次落進可信賴的區間——回想 2025 年年中，模型還卡在 1 小時附近；這條線把 demo 式展示和真正能接下委派的 agent 分了開來。
「時間視野」的定義與量測流程
依 METR 的說法，時間視野指 agent 預期能在某個指定可靠度下完成的任務時長，換算基準是人類專家要花多久。量測流程是這樣跑的：先由受過訓練的專業人員替每道任務估時（對個別估計取幾何平均），接著以成功率對人類時間的對數擬合邏輯迴歸曲線，再從曲線上找出 50% 與 80% 成功率對應的位置。同一個模型在每一題上大約會跑 8 次。
題目出自三個任務集：RE-Bench（ML 研究工程）、HCAST（涵蓋面更寬的軟體工程）與 SWAA（時長較短的軟體操作題），總數破百。有一點必須點明：這批任務集中在軟體工程與研究領域，所以時間視野描述的是「工程類任務能做多久」，並不代表一般辦公室工作的能力。
解讀 GPT-5.2 的 6.6 小時
盯著這個頭條數字時，有三件事得放在旁邊一併對照。其一，6.6 小時出自「高」推理模式，並非更激進的 xhigh 檔。其二，信賴區間從 3 小時 20 分一路拉到 17 小時 30 分，寬度可觀，單一點估計帶著不小的誤差。其三，METR 自己講明，以現有任務套件而言，超過 16 小時的量測「不可靠」——任務難度的上限正逐步貼近量測極限，套件也正是為此不斷擴充。
橫向比較：前代與同期模型
把各個模型擺上同一張圖，連線之後的斜率才是重點：
- GPT-5（量測於 2025 年 8 月）：大約 2 小時 17 分
- GPT-5.1 Codex Max：大約 2 小時 42 分
- Claude Opus 4.5（2025 年 12 月納入）：大約 4 小時 49 分
- GPT-5.2（2026 年 2 月 4 日納入，高推理模式）：大約 6.6 小時，一上榜便站上首位
換句話說，OpenAI 只用一個世代，就把自己寫下的紀錄從 2 小時 17 分一舉推到 6.6 小時，幅度逼近三倍；同一週進榜的 Gemini 3 Pro 與 GPT-5.1 Codex Max 全數落在其下。在此之前一路領先的是 Anthropic 的 Claude Opus 4.5，它的 4 小時 49 分紀錄前後只守了約六週。
指數成長：每 4–7 個月翻一倍
回看 METR 累積的歷史資料，50% 時間視野差不多每 4 到 7 個月就翻一倍；把各種候選曲線拿來擬合，指數函數的貼合表現勝過線性與雙曲線——資料裡還找不到成長減速的痕跡。GPT-5.2 這次的成績，普遍被讀成翻倍仍在加快的又一證據。順著這條軌跡外推，「可靠工作日長度」（4 到 8 小時）的任務，2026 年之內就會成為日常；規劃 agent 架構時，不妨直接把它當成預設基線——我們在2026 開年展望裡正是這樣判斷。
工程與產品團隊的因應重點
帶給團隊的務實結論有三條。其一，拆任務的方法得整組換掉：6 小時任務的可靠度一旦過半，過去「切成 30 分鐘小段再逐步拼回」的套路，就該讓位給「整件工作一次委派、在檢查點驗收」。其二，監控的分量只增不減：成功率僅有一半，意味著其餘一半的委派會失敗，驗收測試與復原機制因此屬於架構本體，而非事後加裝的配件。其三，挑模型要看時間視野，別只看單點分數：SWE-bench 這類成績，答不了「模型能否連續撐完一個下午的工作」這個問題。