「长时程任务能力」是 METR 提出的一种能力度量方式，核心指标叫 50% 任务完成时间跨度：对一批任务，找出模型能以 50% 成功率完成的那一档，再看人类专家完成同类任务通常需要多长时间。它把"模型能做什么"翻译成"相当于多长的人类工作量"，比单纯的正确率更贴近实际可用性。
怎么测
研究者先给具备相关领域专长的人类计时，任务来自 RE-Bench、HCAST 以及 66 个新增的较短任务；再在同一批任务上测前沿模型。
论文报告的结果
Claude 3.7 Sonnet 的 50% 时间跨度约为 50 分钟；自 2019 年以来，前沿模型的时间跨度大约每 7 个月翻一倍，且 2024 年的趋势可能有所加速。作者把增长主要归因于可靠性提升、从错误中恢复的能力，以及逻辑推理与工具使用能力的进步。
适用边界
论文自己强调外部效度有限——任务集是人为构造的，把趋势外推到真实软件工程任务属于推测而非结论。该指标刻画的是统计意义上的能力档位，不代表模型能像人一样独立负责一段同等时长的工作；讨论时应同时看任务构成与置信区间，而不是只引用一个"多少分钟"。