Google 发布 PLE 基准：最强 AI 智能体在物理工程任务上仅得 50.6%

Rohan Paul· @rohanpaul_ai · X·2026-10-29 06:11· 35 分钟前AI 评分63

AI 导读

Google 发布 PLE 基准，包含 85 项由执业工程师编写或审核的电气、土木、结构和机械工程任务，智能体每个任务需读取约 61 个项目文件并交付进度表、报告或 2D/3D 图纸。

正文 · 原文

Google 的新论文发现，最佳 AI 智能体在物理工程任务上的得分仅为 50.6%，通常是因为遗漏了某项硬性的安全或可行性规则。

面向 LLM 的工程基准大多测试的是教科书问题或玩具问题，而顶尖智能体早已能轻松应对。真正的工程师要面对成堆的 PDF、电子表格和 CAD 文件，并且必须交付符合规范且成本可控的设计。

他们构建了 PLE，包含 85 项电气、土木、结构和机械工程任务，均由执业工程师编写或审核。智能体每个任务需读取约 61 个项目文件，并交付进度表、报告或 2D 和 3D 图纸。

Claude Code 中的 Claude Opus 5.5 以 50.6% 的成绩在 14 个模型中位居榜首，每个任务消耗 2700 万 token、耗时 63 分钟。在设计任务中，其输出满足了 91% 的约束条件，但只有 41.3% 满足了全部硬性约束。

如果你在构建工程智能体，请对每一项设计都以硬性安全和规范限制作为把关条件，并在调优智能体脚手架之前，先花精力选择合适的模型。

来源：Rohan Paul · x.com