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%，常常是因为违反了硬性的安全或可行性规则……
谷歌的新论文构建了 PLE 基准，包含 85 项真实的实体工程任务，每项任务约涉及 61 个项目文件，结果发现最好的智能体仅得 50.6%。Claude Code 中的 Claude Opus 5.5 在 14 个模型中居首，但在设计任务中仅有 41.3% 满足全部硬性约束。这一结果之所以重要，是因为真实工程工作受安全与规范限制，智能体必须对照硬性规则接受检验，而不能只看教科书式答案。
报道来源
- Rohan Paul2026-10-28 22:11