一项瞄准造物的基准
11 月 3 日，谷歌云 AI 与基础设施团队联合数据标注与评估公司 Mercor 发布物理工程基准 PLE（Physical-Engineering’s Last Exam），用 85 项覆盖机械、电气、土木与结构工程的长程任务，检验前沿智能体能否端到端完成真实世界的工程交付。它与 Humanity’s Last Exam、Agents’ Last Exam 构成一组 Last Exam 系列：前者衡量通识，后者衡量数字专业工作，PLE 衡量建造物理世界的工作。
现有学术基准里，前沿语言模型在不少题目上已经超过 90%，但这些题目多是教科书式问答、单次工具调用或小而封闭的设计题，回答不了一个现实问题：在持牌工程师的复核与管控之下，智能体能否给出安全、合规、成本可控的工程设计。PLE 的思路是让智能体交付真实可计费的工作成果，而不是回答一道题。
85 项任务，平均 61 个文件
PLE 包含 85 项长程任务，其中机械 30 项、电气 27 项、土木 18 项、结构 10 项。每一项不是一个提问，而是一个容器化的项目文件夹，基于 Mercor 的 Archipelago 环境构建，镜像执业工程师在岗位上实际收到的材料：平均每个任务 61 个文件、全基准共 5170 份文件，涵盖 PDF、电子表格、邮件、二维 CAD 图纸、三维 BIM 模型与文档修订版。智能体需要从中辨认当前生效的参数与规范，完成计算并产出一套持牌审阅人能审查、批准的生产级交付物。
任务由两支路径构建。44 项由执业工程师依据真实项目亲自出题，并给出评分细则；另外 41 项采用 Creator–Solver 机制，工程师先给出需求，Agent 流水线根据可授权的工程标准装配任务环境与评分器，再由工程师逐项校验并提高难度。官方同步放出 29 项公开任务、配套评分工具与 GitHub 仓库，另有 56 项隐藏任务用于公开的竞赛与排行榜 ple-bench.com。
48.3% 与 41.3% 之间的落差
谷歌用 14 个前沿模型、7 种公开智能体框架（Antigravity、Claude Code、Codex、Hermes、OpenCode、OpenHands、Pi）在私有测试集上做了评测。结果揭示了一个被单项分数掩盖的落差：所有前沿模型得分均低于 50%，表现最好的组合在原生框架上平均得分 48.3%；而在共同创作任务中，该组合平均满足 91% 的单项约束，却只有 41.3% 的交付设计项通过全部硬性安全与可行性检查。
这意味着，即便智能体算对了大部分局部要求，只要剩下一条恰好决定方案能否投产，整份计算书就可能失去交付价值。评测还显示，模型的选择对成绩的影响远大于框架：同一模型跨框架的差距中位数只有 3 个百分点，而不同模型之间的差距可达 50 个百分点；同一模型对同一任务运行 3 次，单任务得分的平均跨度达到 15.4 个百分点，说明执行路径会显著影响交付质量，单纯扩大上下文或增加工具调用并不能自动解决版本与计算结果的同步问题。
硬约束门控揭示的能力缺口
PLE 在 41 项共同创作任务中引入硬约束门控（Hard-Constraint Gating）：40% 的评分空间取决于单项检查通过比例，60% 与成本或性能优化相关，但优化部分有一个前提——全部硬性安全与可行性约束必须先通过。系统仍记录已完成的检查，却不允经济收益抵消工程缺陷。这把长期存在的一个问题量化了出来：工程设计中的优化空间受约束限制，且约束之间往往彼此牵连。
例如冷却系统设计中，管径决定水力阻力，水力阻力影响水泵工作点，实际流量又决定换热能力；智能体若只根据材料成本缩小管径，后续可能需要更高扬程的水泵，原本节省的费用反而转移到设备与运行能耗上。工程上把所有约束同时成立的设计范围称为可行域，它既含连续变化的参数，也受设备型号、标准尺寸等离散条件限制。PLE 没有为智能体直接提供可行域搜索算法，但硬约束门控让这种能力缺口可以被测量。
工程智能体还缺什么
谷歌与 Mercor 在验证机制上采用了两条构建路径，并刻意让独立的 Solver Agent 在隔离环境中求解、无法查看参考答案与评分程序，再由 Creator 分析执行轨迹、修补任务与验证规则的漏洞。这说明评测本身也面临验证器漏洞：若只检查易提取的数值，智能体可能产出表面合规、实际不完整的交付物。PLE 目前仍是受控环境中的评测，不能替代制造试验与正式签核，但它把工程智能体的能力衡量推进到了更接近真实交付的位置。
对 Physical AI 而言，这一架构有更直接的意义：机械臂修改连杆结构后，刚度、振动与驱动负载可能随之变化，原有仿真结果需要重新检查。若工程智能体能接入 CAD、CAE 与产品生命周期管理系统，在设计修改时自动识别受影响的计算、调用专业工具验证并保留完整修订依据，AI 生成的设计才有条件进入现有工程审查流程。PLE 给出的启示是，未来 Physical AI 的竞争，会逐渐体现在模型能否持续生成满足约束的设计，并为每一次关键修改提供工程师可以复核的计算与验证依据。
信息来源
- Google Cloud 官方博客（L1）：Introducing Physical-Engineering’s Last Exam for agents（2026-11-03）
- Mercor 官方博客（L1）：Introducing Physical-Engineering’s Last Exam（PLE）with Google Cloud AI Research（2026-11-03）
- GitHub google-research/ple（L1）：29 项公开任务、评分脚本与评测容器
- 雷峰网（L2）：91% ≈ 0%？谷歌最新研究，戳破工程 Agent 的高正确率泡沫（2026-11-05）