PLE：面向专业物理工程的长时程智能体评测基准

研究团队发布 PLE 基准，包含 85 项电气、土木等专业的长时程智能体任务，旨在测试真实工程交付能力。 现有工程基准多饱和且局限于文本问答，PLE 结合专家自创与对抗式共创两条路径构建。 最强模型平均得分仅 50.6%，每任务耗 27M tokens 和 63 分钟，凸显当前智能体在自动工程设计上的巨大差距。