Today for AI
返回热点榜
agent热度 15.5°

AI 聚合热点事件 · 2026/10/29

Google 发布 PLE 基准：最强 AI Agent 工程任务仅得 50.6%

1 篇收录报道1 家独立信源交叉印证持续跟踪至 2026/10/29 06:11:00
全景综述与最新动态
1 家信源交叉印证

Google 推出面向真实物理工程任务的 PLE 基准，涵盖电气、土木等 85 个由执业工程师审核的任务。测试显示，表现最佳的 Claude Opus 5.5 得分仅为 50.6%，主要失败原因是未能满足硬性安全或可行性约束。该研究指出，现有 LLM 基准多偏向教科书问题，而真实工程场景需处理大量非结构化文件并严格遵守规范。

最新动向/Google 推出面向真实物理工程任务的 PLE 基准，涵盖电气、土木等 85 个由执业工程师审核的任务。测试显示，表现最佳的 Claude Opus 5.5 得分仅为 50.6%，主要失败原因是未能满足硬性安全或可行性约束。该研究指出，现有 LLM 基准多偏向教科书问题，而真实工程场景需处理大量非结构化文件并严格遵守规范。

逐小时热度走势

2 个完整观测小时
连续完整观测不足 3 个小时，暂不绘制趋势曲线。

报道时间线

共 1 篇 · 最新优先
  1. Rohan Paul (@rohanpaul_ai)T2·78 分

    Google 发布 PLE 基准：最强 AI Agent 工程任务仅得 50.6%

    原标题：New Google paper finds that the best AI agent scores only 50.6% on physical engineering jobs, often ...

    • PLE 基准包含 85 个真实工程任务，要求 Agent 阅读约 61 个项目文件并输出图纸或报告。
    • Claude Opus 5.5 以 50.6% 的得分领先，但仅 41.3% 的设计输出满足了所有硬性约束。
    • 建议开发者在构建工程 Agent 时，将硬性安全与代码限制作为设计门控，并优先优化模型选择而非仅调整脚手架。