PLE评测工程智能体能否交付
AI 总结
Google与Mercor发布Physical-Engineering's Last Exam(PLE),包含85项机械、电气、土木与结构工程任务。在56项隐藏测试中,Claude Opus 5.5搭配Claude Code得分48.3%;在共同创作任务中,其平均满足91%的单项约束,但只有41.3%的交付设计满足全部硬性安全与可行性要求。PLE还考察智能体在长流程、多文件工程中的状态一致性,并通过Creator–Solver机制校准任务和验证器。
深度见解
PLE衡量工程智能体能否将多数正确的局部计算转化为完全可行、可交付的设计,同时凸显版本感知状态管理和独立验证的重要性。
导语:41.3% 的设计项跨过安全门槛,复杂工程仍困于约束耦合。

41.3% 的设计项跨过安全门槛,复杂工程仍困于约束耦合。
作者丨郑佳美 岑 峰
编辑丨岑 峰
在工程世界里,91% 的正确,有时和 0% 的交付能力没有区别。
#Google#Mercor#Physical-Engineering's Last Exam#Claude Opus 5.5#Claude Code