谷歌PLE考试 工程Agent仅41.3%通过全部约束

时间：2026年11月5日，谷歌与Mercor联合发布Physical-Engineering's Last Exam（PLE），以85项机械、电气、土木与结构工程任务量化工程Agent的能力落差。研究显示，AI模型在共同创作任务中平均满足91%的单项约束，但仅有41.3%的交付设计项满足全部硬性安全与可行性要求。 地点：PLE评测覆盖全球工程场景，85项任务累计包含5170份文件，涉及PDF、电子表格、邮件、CAD和BIM模型，由专业工程师与Creator–Solver机制共同构建。 人物：谷歌与AI测评公司Mercor联合发布PLE；在56项隐藏测试中，Claude Opus 5.5搭配Claude Code得分48.3%。PLE研究团队将这一结果归因于工程设计中的约束耦合与状态一致性问题。 事件详情：PLE采用硬约束门控（Hard-Constraint Gating）评分机制，40%的评分空间取决于单项检查通过比例，60%与成本或性能优化有关，但全部硬性安全与可行性约束必须通过。即使某个方案能显著降低材料费用，只要违反一项硬约束，就无法获得成本优化部分的分数。在41项人机共同创作任务中，Claude Opus 5.5搭配Claude Code平均满足91%的单项约束，但只有41.3%的交付设计项满足全部硬性安全与可行性要求。更关键的是，剩余的9%错误无法靠继续提高模型计算能力解决，因为工程设计中的要求彼此关联，解决一个问题可能又会产生新问题。PLE还设置了合规但未经充分优化的基线方案以及合规成本的下界，防止模型通过选用过量设备轻松满足规范，或靠牺牲可行性获得漂亮的成本数字。实验显示，同一模型在相同环境下对同一任务运行3次，单任务得分的平均跨度达到15.4个百分点，执行路径会显著影响交付质量。 背景：此前面向AI Agent的评测多采用逐项累积分数的方式，只要完成更多要求就能取得更高评价，这适合衡量知识理解和单点执行能力，却会掩盖工程设计中的一类关键失败：模型可能满足了绝大多数要求，但剩下一条恰好决定方案能否投入使用。PLE的85项任务中，37项采用约束评分，其余由专业工程师直接编写并根据专家评分标准检查交付成果。PLE同时采用Creator–Solver机制，让Agent参与任务环境、参考设计和可执行验证程序的构建，独立求解检验验证程序本身的漏洞。 影响：PLE的研究结果表明，当局部能力已经足够强时，工程Agent的瓶颈已从“会不会算”转向“能不能持续交付合规设计”。91%的单项约束满足率说明模型已能处理大部分局部要求，但多个条件共同成立时的可行域搜索、以及长时间多轮修改中的状态一致性，仍是当前架构难以自动解决的难题。对Physical AI和机器人行业而言，这意味着仅靠扩大上下文或增加工具调用不够，Agent需要维护带有依赖关系的设计状态，并在每次修改后自动识别受影响的计算与交付文件。验证器正从交付后的检查工具，演变为Agent求解流程中的核心基础设施。 总结：谷歌与Mercor的PLE考试揭示了一个关键事实：在复杂工程领域，91%的单项正确率并不等于可交付能力，硬约束门控下的41.3%通过率才是真正的门槛。剩余9%的错误不是模型不够聪明，而是约束耦合与状态失效的系统性难题。Physical AI的下一步竞争，将不再是“谁能写出更多代码”，而是“谁能持续生成满足全部约束、且每次修改都可追溯可复核的设计闭环”。 参考来源： 雷峰网 https://www.leiphone.com/category/ai/YZ0bP2vh94KY45RG.html 新浪科技（来源雷峰网） https://m.sohu.com/coo/zmtq/1097594802_122014422 UMI6 https://kx.umi6.com/article/38631.html InfoQ中文 https://www.infoq.cn/article/u4fAoAH5vZPCV4TVqAcO Forkast https://forkast.news/google-handed-its-agent-framework-to-an-agent-the-2-of-6-review-ratio-is-the-real-story/ Google Developers Blog https://developers.googleblog.com/en/optimizing-a-200000-line-python-codebase-overnight-with-gemini-4-argon/