Agent 实测显示中位数仅运行 52 分钟便停止，但更久尝试得分更高

dominikscherm 的 Agent 实验显示，给予 6 小时预算时，智能体运行时间中位数仅为 52 分钟。当某次尝试耗时达到另一次的 2 倍以上时，62% 的情况下得分更高，平均高出 7 分。任务数据由公开数据与实验室私有数据混合构建，结果也引发了对 V4.1 Flash 表现的讨论。