谷歌与Mercor发布物理工程基准测试，前沿模型得分均低于50%
谷歌与Mercor联合推出针对物理工程任务的AI代理基准测试。结果显示，所有前沿模型在模拟真实工程环境中的表现均低于50%，凸显了当前AI在复杂物理世界任务中的能力缺口。
2026年11月4日，美国谷歌公司（Google）的AI与基础设施团队宣布推出“物理工程期末考”（Physical-Engineering's Last Exam），这是一个旨在评估AI代理完成机械、电气、土木和结构工程等实际物理世界任务能力的新型基准测试。该基准由谷歌与人才平台Mercor合作开发，并发布了包含29个公开任务、评分工具及开放竞赛排行榜的网站ple-bench.com。
现有的学术基准测试多侧重于教科书式问题或单一工具调用，无法反映AI代理在需要遵守建筑规范、控制成本并接受持证工程师审查的真实工程环境中的表现。“物理工程期末考”通过85项长周期任务填补了这一空白，这些任务基于真实的工程项目文件夹构建，平均包含61个文件，如PDF文档、电子表格、电子邮件、2D CAD图纸和3D BIM模型等。AI代理必须在容器化环境中处理这些文件，找出适用的规范和物理限制，运行计算并生成可供审查的生产级交付物。
谷歌团队使用七种公开的代理执行框架（包括Antigravity、Claude Code、Codex等）对14款前沿模型进行了测试。结果发现，所有模型在私有测试集上的得分均低于50%，最高分仅为48.3%。此外，尽管表现最好的配置能满足91%的单项约束，但只有41.3%的交付物能通过所有严格的安全性和可行性检查。这一数据表明，当前AI技术在处理复杂、高风险的物理工程任务时仍存在显著的能力差距，距离实际工业应用尚有较大距离。