Claude Opus 5.5 dẫn đầu benchmark kỹ thuật chuyên nghiệp mới của Google Cloud

Google Cloud AI Research đã ra mắt một benchmark dành cho AI agent mang tên Physical-Engineering's Last Exam (PLE), bao gồm 85 nhiệm vụ trong lĩnh vực kỹ thuật cơ khí, công trình, điện và kết cấu. Bài kiểm tra yêu cầu các agent tạo ra các sản phẩm chuyên nghiệp, như các gói thiết kế đáp ứng yêu cầu mã xây dựng và vật lý, thay vì trả lời câu hỏi trong sách giáo khoa. Claude Opus 5.5 dẫn đầu các frontier model với điểm số 48,3%, tiếp theo là GPT 6 Astra đạt 45,8%, Gemini 4 Argon đạt 40,6% và Grok 4.7 đạt 30,1%.

Cấu hình agent có hiệu suất cao nhất đạt điểm trung bình 50,6% trong khi sử dụng 27M token và 63 phút cho mỗi nhiệm vụ. Nhóm nghiên cứu ghi chú rằng các nhiệm vụ PLE được viết bởi các kỹ sư thực hành hoặc được tạo ra bởi một pipeline Creator-Solver agent đối đầu và sau đó được các chuyên gia xác thực để tăng độ khó.