LLM 是否具备感知时间能力？一项实证研究

大型语言模型无法估计其自身任务所需时间。我们通过四项实验（涵盖 68 项任务和四类模型）检讨这一局限。前测估计实际持续时间的 4--7 倍（$p < 0.001$），模型预测的人类规模分钟数与实际秒级完成的任务相差甚远。相对排序也不理想：在设计以揭示启发式依赖的任务对上，模型得分在或低于随机（GPT-5 在反直觉任务对上仅得 18%，$p = 0.033$），在复杂度标签误导时系统性失败。事后回忆与现实脱节——估计值对实际值的偏差可达一个数量级。这些失败在多步骤智能体环境中仍然存在，错误可达 5--10 倍。这些模型虽具备来自训练的时程知识，却缺乏对自身推理时间的经验性 grounding，对智能体调度、规划和时间关键情境具有实际意义。