先了解这件事
AI 综述
2026年2月13日,METR发布研究,在自家新任务套件上测量并对比了Opus 4.5与GPT-5在专用脚手架和默认脚手架下的时间跨度。结果显示,Claude Code和Codex并未明显优于METR默认使用的ReAct和Triframe。在bootstrap采样中,Opus 4.5用Claude Code胜过ReAct的比例为50.7%,GPT-5用Codex胜过Triframe的比例为14.5%,两项差异均不具统计显著性。作者还记录了定性观察:Codex下GPT-5会向不存在的用户汇报,Claude Code下Opus 4.5过度锚定计划。研究指出,专用脚手架多用于有人类介入的交互场景,而时间跨度任务是完全自主执行的。
AI 根据公开报道生成
最新进展 · 正式报道
METR 用 Claude Code 和 Codex 测量模型时间跨度事件进展
1 个已确认进展
- 来源：METR Notes
报道与讨论时间线
按时间查看正式报道与传播讨论；两类内容的证据等级保持独立。
2月13日
METR Notes一手
METR 用 Claude Code 和 Codex 测量模型时间跨度
METR 在自家新任务套件上对比了 Opus 4.5 与 GPT-5 在专用脚手架和默认脚手架下的时间跨度，发现 Claude Code 和 Codex 并未明显优于 METR 默认使用的 ReAct 和 Triframe。在 bootstrap 采样中，Opus 4.5 用 Claude Code 胜过 ReAct 的比例为 50.7%，GPT-5 用 Codex 胜过 Triframe 的比例为 14.5%，两项差异均不具统计显著性。作者还记录了 Codex 下 GPT-5 会向不存在的用户汇报、Claude Code 下 Opus 4.5 过度锚定计划等定性观察，并指出专用脚手架多用于有人类介入的交互场景，而时间跨度任务是完全自主执行的。