Google 新论文提出 PLE 基准：最强智能体在实体工程任务上仅得 50.6%
New Google paper finds that the best AI agent scores only 50.6% on physical engineering jobs, often by missing a hard safety or feasibility rule.
Google 新论文提出 PLE 基准，包含 85 个由执业工程师编写或核验的电气、土木、结构和机械工程任务，最强智能体仅得 50.6%。Claude Opus 5.5 在 Claude Code 中以 50.6% 在 14 个模型中居首，每个任务消耗 27M tokens、耗时 63 分钟，需阅读约 61 个项目文件并交付进度表、报告或 2D/3D 图纸。在设计任务中其输出满足 91% 的约束，但只有 41.3% 满足全部硬性约束。
推荐理由
AI 评分 54
Google 的 PLE 基准用 85 个真实工程任务测出智能体在硬性安全约束上的短板，对做工程智能体的人有直接参考。
主题
正文 · AI 翻译
Google 新论文发现，表现最好的 AI 智能体在实体工程任务上仅得 50.6%，失分往往是因为遗漏了某项硬性的安全或可行性规则。
面向大语言模型的工程基准大多测试的是教科书式问题或玩具问题，而顶尖智能体早已能很好地应对这些。真正的工程师要处理成堆的 PDF、电子表格和 CAD 文件，并且必须交付符合规范、成本可控的设计。
他们构建了 PLE，包含 85 个电气、土木、结构和机械工程任务，均由执业工程师编写或核验。智能体在每个任务中必须阅读约 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 27M tokens、耗时 63 分钟。在设计任务中，其输出满足了 91% 的约束，但只有 41.3% 满足全部硬性约束。
如果你要构建工程智能体，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，先在模型选择上下功夫。