AI图鉴

AI图鉴首页 › AI 资讯 › AI真实工程设计能力,大排行出炉:多模型零分!

AI真实工程设计能力,大排行出炉:多模型零分!

来源:新智元 · 发布时间:11-01 · 由 AI图鉴每小时自动聚合

AI真实工程设计能力,大排行出炉:多模型零分!

新智元报道

AI 做数学题、写代码,已经能赢过所有人类。

可同一批模型拿到工程师每天用的 CAD 和仿真软件,每道题最多给 24 小时,去设计曲轴、给内存布线、算涡轮叶片散热,最好的 GPT-6 Astra 也只有 37% 能过。

其余模型在这个评测中,更是几乎全员挂零。

Xplore AI 在 10 月 27 日发布了 RWE-Bench,全称 Real World Engineering Bench。

一共 20 道题,机械 9 道,航空航天 6 道,电子 5 道。

每道题都由团队里做这一行的工程师出,出题人还要用同一套工具自己做出一份参考答案。

判分既不靠 AI,也不靠人工。

程序会调用物理求解器逐项检查交上来的设计,只要有一项不达标就算失败。

拿机械题来说,题目是设计三缸柴油机的曲轴。

技术简报里列着质量上限、应力上限、疲劳系数和曲柄销变形量,每一项都有具体数值。

配重加多了会超重,加少了转起来不平衡,还要在 2400 转满负荷下撑过几百万次循环。

模型手里只有 CadQuery、Gmsh、CalculiX 和 Python,建模、划网格、做有限元分析都得自己完成。

电子题是设计在一块量产 FPGA 板上补 DDR3 的走线。

板上近 300 个元件已经摆好,其他线也都布完了,一律不许动。

剩下七十多条网络要在 8 层板的空隙里走通,时序偏差和阻抗都有硬性限制,只要一条超标,整块板就不算数。

航空题要算高压涡轮导向叶片的传热,从建流道一直做到 CFD 收敛,最后交出换热系数和总热负荷。

在工程公司里,这些活要交给有几年经验、熟悉对应软件的工程师来做,门槛相当之高。

1.先看排名。

GPT-6 Astra 37%,Claude Opus 5.5 29%,GPT-6.1 Sol 25%,Gemini 4 Argon 12%,Claude Fable 5.1 7%,其余模型在这个评测中,更是几乎全员挂零。

2.除此以外,答题时间比分数更能说明问题。

每道题最多能用 24 小时,可各家模型平均两三个小时就交卷了,用时最长的也只有 4.6 小时左右。

人类工程师遇到这种题,光是反复改模型、跑仿真就不止这点时间。

模型很可能以为自己做完了,其实做错了...

3.花钱多也不一定分高。

GPT-6.1 Sol 跑一次只要 10 美元出头,Astra 和 Opus 5.5 都在 58 美元上下,分数却只高 12 分和 4 分。

Claude Fable 5.1 一次将近 98 美元,全场最贵,通过率 7%。

4.如果每道题允许试 5 次、过一次就算,Opus 5.5 的分数能到 70%,比 Astra 的 60% 还高。

1.题目只有 20 道,样本容量很小。

官方给出的 95% 置信区间里,Astra 是 30.7% 到 43.8%,Opus 5.5 是 21.9% 到 37.6%,两段有重叠,第一和第二谁更强其实还不能下定论。

2.页面上说所有模型都开了最高推理强度,但数据文件里 Gemini 4 Argon 标的是 high,不是 max。

当然,刚发布的旗舰模型 Gemini 4 Carbon 没来得及出现在本次评测中,我们也很期待 Xplore AI 对它的补测。

3.还有一点,Xplore 本身就是卖 RL 训练环境的。

官网写的是,他们可以帮模型公司做评测、搭训练环境,只是榜单里的题不授权拿去训练。

榜单上的分数越低,这门生意就越好推销。

这不等于数据有问题,题目和判分方式都公开了,但对于题目难度的控制,是关乎他们的生意好坏的。

4.有 4 道所有模型都没做出来的题,具体是哪几道,官方没有公开。

Xplore 下一步要加入生物力学、土木和材料工程的题,目前也在招工程师和研究员。

SWE-bench 在 2023 年刚发布时,最好的模型只解决了不到 2% 的问题,后来分数涨成什么样大家都看到了。

敬请期待新模型们在 RWE-Bench 上的分数飙升吧。

参考资料:

编辑:马可

不喜欢

本文由 AI图鉴自动抓取并翻译,版权归原作者所有;如需查看原文请点下方链接。

相关 AI 工具

相关免费羊毛

同源资讯

阅读原文(mp.weixin.qq.com)

标题、摘要与正文均来自该信源的公开页面,版权归原作者所有;本站自动聚合与翻译,仅作出处跳转。

← 返回 AI 资讯列表AI工具图鉴首页

返回 AI图鉴首页 · 提交工具 · 商务合作 · 关于本站 · 603 款 AI 工具分类导航 · 每日 AI 热门项目与动态