一份配电柜的容量和馈电线路表，AI 交上来，逐条看都对。
规范查对了，负荷算完了，线径选得也合适。
只有一处没过。桥架穿过了消防管线。
这一处把整份交付件的价值清零了。设计费照付，工期照误，签字的人自己担。
这就是十一月三日一份公开评测给出的画面。

谷歌云和一家叫 Mercor 的测评机构，联合发布了一个基准，叫 PLE，物理工程的终局考试，全称 Physical-Engineering's Last Exam。八十五道题，不考选择题，也不考背规范。
每一道题是一个装着文件的文件夹，平均六十一个文件，全套五千一百七十份。里面塞着 PDF、电子表格、往来邮件、二维 CAD 图纸、三维 BIM 模型，还故意混进已经作废的历史版本。
智能体不能联网，最多给六小时，得自己从一堆废稿里认出哪一版规范当前生效，把计算跑完，交出一份持照审阅人愿意签字的成果。
四个专业，机械三十道，电气二十七道，土木十八道，结构十道。十四种前沿模型，七种智能体框架，每题跑三遍。
没有一个过 50%。
最高分是 Claude Opus 5.5 配 Claude Code，48.3%。

这是第三方评测，不是我国建筑行业的水平测试，看的时候得放对位置。它测的是模型能不能在真实工程约束下，交出可签字的东西。
真正扎眼的是另外两个数。
在四十一道人机共创任务里，最强配置平均满足了 91% 的单项约束。同一批交付成果，通过全部硬性安全与可行性检查的只有 41.3%。
91% 和 41.3% 之间那段距离，是整个评测最值钱的东西。
评分规则换了一种算法。四成来自单项检查的通过比例，六成跟成本和性能优化有关，可优化分有个前提，全部硬约束必须先过。任何一条不满足，优化分直接归零。
一条电缆桥架穿过消防管线，几十页算得完全正确的计算，全部失去交付价值。

这不是评分严，是工程本身就这么算的。软件里 90% 的方案可以当 beta 先发出去，实体工程里 90% 的方案过不了审，或者更糟。
剩下的错误为什么补不上，评测团队的说法是工程约束彼此耦合。改一个管综标高，消防、结构开洞、检修空间三个专业同时被牵动，补上一个可能又崩掉另一个。研究团队明说了，剩下那 9% 的错误，靠继续堆算力解决不了。
还有个数字跟每个用 AI 的人直接相关。同一个模型跑同一道题三遍，单题得分平均相差 15.4 个百分点。最佳配置每题平均烧掉两千七百万 token，耗时六十三分钟。
抽一次看不行，得看它稳不稳。
模型和框架之间的差距也被分开了。选模型带来的分差最高 50 分，同一个模型换框架，中位分差只有 3 分。框架主要影响的是成本。
差距在能力，不在工具。
这几组数字摆在一起，能给工程人一个挺硬的判断。
能交给 AI 的，是单专业、规则清晰、可以逐张校对的活。设计一条冷却回路，排一个无碰撞的三维设备机房，出一份配电柜的容量和馈电线路表。
干不了的，是跨专业、强制条文互相咬住的活。做完整园区的竖向和管线综合。

十一月初还有一条消息正好卡在同一条线上。一位执业建筑师在周报里记了自己的私人测试，测了十三个模型的技术制图能力，结论是最强的那个，在有人从旁指点的前提下，能为一栋简单建筑做出达到报建质量的图纸集。那条记录后面他自己加了两条限定，只覆盖简单建筑，是个人独立评估，不是标准化测试。
两条并排放不矛盾。前一条说的正是分界线在哪儿。
给工程人留三条能自己上手的判据。
一条，看这件事的结果能不能被单独验一次。能，就是好活。冷却回路算完了，泵的选型对不对、裕量够不够、能耗落在什么区间，一项一项都能核。这种活 AI 干起来最省心。
一条，看有没有哪一处一错就全废。管线撞了消防，桥架压了结构梁，这类活 AI 交上来的是草稿不是成果，得有人在旁边盯着。
一条，看返工由谁消化。约束耦合的活，模型跑得再快，返工量都落在人身上，省下的那几十分钟是虚的。
三条问完，AI 能不能干，心里大致有数。

说到这儿更在意另一件事。
国内厂商真正的机会不在通用模型上。模型之间差 50 个点，规范本地化可能差几倍。把国标、地标、计价规则绑进交付流程，比追平通用模型容易得多。
对工程人自己也一样。模型追平要等，约束拆解今天就能做。
一件事为什么难交付，多半不是它有多复杂，是它有几处一碰就响的地方。把这些地方找出来标清楚，剩下的部分才是能交出去的。
能不能把活交出去，取决于这件事的结果能不能被单独验一次。
——聚焦工程+AI前沿应用，解锁智能建造新视野，分享行业干货与技术洞察，请关注工程AI研习社以获取更多最新行业资讯。