Task Horizon（任务视野）
定义
任务视野 (Task Horizon) 是 AI 模型在无人介入情况下能端到端完成的人类可命名工作块的连续时间长度。Anthropic 2026-06 一手数据：从 Opus 3 的 4 分钟 (2024-03) 到 Sonnet 3.7 的 90 分钟 (2025-03) 到 Opus 4.6 的 12 小时 (2026-03)，每 4 月翻一倍。这是 AI 时代最可信的"摩尔定律"——它把单一 benchmark 的脆弱性和 PR 噪音都过滤掉，只剩"AI 真的能独立完成多长的任务"。
为什么 Task Horizon 比 SWE-bench 更可信
| 度量 | 性质 | 弱点 |
|---|---|---|
| SWE-bench 分数 | 单任务通过率 | 可被针对性优化、过拟合 |
| 任务视野 | 端到端可命名工作块的连续时长 | 难在 benchmark 里"刷分"，因为是连续时间 |
| 公司 PR "SOTA" | 单一指标 | 公关噪音大 |
关键时间表（Anthropic 2026-06 公开）
| 模型 | 时间 | 任务视野 |
|---|---|---|
| Claude Opus 3 | 2024-03 | 4 分钟 |
| Claude Sonnet 3.7 | 2025-03 | 90 分钟 |
| Claude Opus 4.6 | 2026-03 | 12 小时 |
外推：12 月 ×8、24 月 ×64 —— 突破"一个人一天的工作"（AI 顶一个初级岗位）→ 突破"一个人一周的工作"（AI 顶一个独立贡献者）。
配套 benchmark 进展
| Benchmark | 起点 | 2026 状态 | 周期 |
|---|---|---|---|
| SWE-bench | 个位数 | 接近饱和 | 约 2 年 |
| CORE-Bench | 个位数 | 接近饱和 | 约 15 月 |
用户侧任务视野分布（OpenAI 2026-06 内部数据）
OpenAI 2026-06 经济研究论文使用 LLM-as-judge 估计 Codex 用户请求对应的人类工作时长，从用户侧提供了任务视野的分布数据。
| 阈值 | 截至 2026-05 用户覆盖率 | 增长特征 |
|---|---|---|
| > 30 分钟 | 80.6% | 高覆盖，接近普适 |
| > 1 小时 | 70.2% | 大多数用户日常使用 |
| > 4 小时 | （未公布精确值） | — |
| > 8 小时 | 25.6% | 从低基数增长最快 |
99 分位用户的日运行量：到 2026 年 6 月，OpenAI 内部 99 分位日活用户每天产生 60+ 小时 agent turns（跨多个并行 agent）——用户从"一次问一个答案"转向"全天编排多个 agent 任务"。
与 Anthropic 数据 的互补关系：
- Anthropic 数据是 AI 能力侧——模型能独立完成多长的任务（Opus 4.6: 12 小时）
- OpenAI 数据是 用户行为侧——用户实际在让 AI 做多长的任务（25.6% 用户已提交 8+ 小时任务）
- 两端数据一致指向：任务视野正在从分钟级向小时级、日级扩展
前提与局限性
- 仅限软件类任务 — Task Horizon 在 SWE-bench 类任务上度量，不能直接外推到物理实验、销售谈判等
- 外推是经验 — 4 月翻倍不是物理定律；上下文长度、工具稳定性、算力上限都可能成为拐点
- 测量方法不公开 — Anthropic 没说"12 小时"具体怎么测的（独立任务？多步？带工具？）
- OpenAI 数据为 LLM 估计 — OpenAI 的用户侧数据由 LLM-as-judge 估计，论文标注为"方向性"，且仅基于 0.1% 随机抽样用户
- 用户群选择偏差 — OpenAI 内部数据来自 AI 公司员工，个体用户数据的自愿性偏差未知
关联概念
| 本库主题 | Task Horizon 的连接 |
|---|---|
| Recursive-Self-Improvement | 任务视野是 RSI 的最可信外显指标 |
| Coding-Agents | 12 小时视野 ≈ Agent 可独立完成一个完整开发任务 |
| Agentic-Engineering | 视野涨 180 倍 = 单人产出结构改写 |
| AI-Capability-Gap | 校准"AI 究竟到了什么程度" |
| AI-Psychosis | 任务视野是避免"震撼错位"的最直观锚点 |
| Allocation-Economy | 视野 12 小时 = AI 顶一个初级员工，成本结构重写 |
| AI-Labor-Bottleneck-Shift | 瓶颈从"完成任务"迁到"决定做哪个任务" |
关联 Benchmark
- SWE-Bench — 软件工程任务基准
- CORE-Bench — 复杂推理任务基准
关键数据点
（关键事实、统计、时间线从原 raw 源沉淀，见 source_raw 字段）