工程智能体的新考题：单项约束过了九成，不代表设计能过审

一份工程设计满足了大部分单项约束，仍可能因为某一条硬性要求没过而无法交付。Google 和 Mercor 在 11 月 3 日公布的 PLE 评测，把这个区别放进了智能体的评分方式里。

评测共有 85 个长任务，覆盖机械、电气、土木和结构工程。任务不是只答一道选择题：智能体要在容器中的项目文件夹里处理图纸、表格、邮件和不同版本的文件，找到适用的规范与物理限制，完成计算并生成交付物。每个任务平均约有 61 个文件；其中 29 个任务及评分工具公开，其余用于隐藏测试。

评分先看安全和可行性，再看成本优化。举个对应的判断方式：一个配电设计即使材料成本低，只要硬性安全检查有一项没通过，就不能靠更便宜把这部分分数补回来。这是对评测规则的说明，不是某道具体测试题的复现。

结果里有一组很容易读错的数字：研究者报告，表现最好的配置在由专家与智能体共同构建的任务上，平均满足了 91% 的单项约束，但只有 41.3% 的交付物通过了全部硬性安全和可行性检查。前者按单条约束看，后者按整份交付物看，不能互换。

在隐藏测试集上，官方报告的最高平均得分为 48.3%，对应 Claude Opus 5.5 搭配 Claude Code；这是该评测和配置下的成绩，不是工程项目成功率，也不能证明同一模型在所有工具组合中都排第一。任务涉及的规范、项目类型和评分方法会影响结果。

这类评测更适合观察智能体能不能处理完整资料和相互牵连的约束；现实工程里的设计仍需要具备相应资质的工程师独立复核、签署。