91% ≈ 0%？谷歌最新研究，戳破工程 Agent 的高正确率泡沫

内容摘要

谷歌与 Mercor 发布 Physical-Engineering's Last Exam（PLE），以 85 项工程任务量化 AI Agent 在真实工程场景中的落差。在 56 项隐藏测试中，Claude Opus 5.5 搭配 Claude Code 得分 48.3%，共同创作任务中平均满足 91% 单项约束，但仅 41.3% 的设计项跨过安全门槛。