# AI智能体评估

Google AI & Infrastructure 团队与 Mercor 合作发布 Physical-Engineering's Last Exam（PLE），用机械、电气、土木、结构四个工程学科的85个长周期任务考察智能体能否在持证工程师复核下完成真实工程工作。每个任务是一个平均含61个文件的容器化项目文件夹，智能体需自行查找规范、计算并产出可交付成果，且必须先通过全部硬性安全检查才计分。在私有测试集上，14个前沿模型全部低于50%，最高配置在其原生框架上平均得分48.3%。

Google AI & Infrastructure 团队与 Mercor 合作发布 Physical-Engineering's Last Exam（PLE），用机械、电气、土木、结构四个工程学科的85个长周期任务考察智能体能否在持证工程师复核下完成真实工程工作。每个任务是一个平均含61个文件的容器化项目文件夹，智能体需自行查找规范、计算并产出可交付成果，且必须先通过全部硬性安全检查才计分。在私有测试集上，14个前沿模型全部低于50%，最高配置在其原生框架上平均得分48.3%。