转推 Rohan Paul：谷歌新论文发现，最好的 AI 智能体在实体工程任务上仅得 50.6%，常常因为错过硬性的安全或可行性……
谷歌的一篇新论文构建了 PLE 基准，包含 85 项真实的电气、土木、结构和机械工程任务，要求智能体每项任务阅读约 61 份项目文件，并交付进度表、报告或图纸。表现最好的智能体——Claude Code 中的 Claude Opus 5.5——仅得 50.6%，每项任务使用 2700 万 token、耗时 63 分钟，在设计任务上满足 91% 的约束条件，但仅在 41.3% 的情况下满足全部硬性约束。这之所以重要，是因为它表明前沿智能体在真实工程任务上仍会在硬性安全与可行性规则上失败，因此对这些约束的人工把关仍然必不可少。
报道来源
- Rohan Paul2026-10-28 22:11