AutoResearch时代，47个没有标准答案的任务成了Agent能力必测榜

如果把AI扔进一个

的工程现场，它还能活下来吗？

长久以来，AI智能体（Agent）看似无所不能，但细究起来，多数时候只是在已知的知识库里“翻找记忆”。它们擅长回答有明确对错的问题，就像考场上的优等生。

然而，真实的工程世界要残酷得多。水下机器人的姿态稳定性、动力电池的快充析锂边界、量子线路的噪声控制……这些问题没有教科书式的“满分答案”，只有永无止境的

。

最近，

发布的一项名为的智能体基准测试，正式撕掉了AI“做题家”的标签。它不再考那些陈旧的编程题，而是给AI搭建了一套完整的“工程闭环”：提出初步方案、接入专业仿真器、接收报错反馈、修改参数代码、重新运行验证。

面对

横跨多个学科的硬核任务，AI必须像一位资深工程师那样，在功耗、安全、性能构成的“不可能三角”中，艰难地寻找那个最优的平衡点。

这不仅仅是一个测试集，更像是一场关于智能体如何“进化”的预演。当AI开始学会在持续反馈中自我修正，那个由人类设定目标、AI则24小时不间断迭代优化的

时代，或许比我们预想的来得更早。

AI开始干“硬活”了

过去的大模型，更像一个知识渊博的“超级学霸”。你提出问题，它从海量的训练数据中检索、拼接，给出一个看起来合理的答案。这种模式的本质，更像是在玩一场复杂的“文字接龙”，而非解决一个真实的、动态的工程问题。

但Frontier-Eng Bench的出现，改变了游戏规则。它迫使AI去干

这种硬核的脏活累活。流程变成了：AI提出方案 → 接入仿真器（simulator）跑实验 → 获取性能数据和报错反馈 → 修改参数或代码 → 再次运行验证，如此循环，直至性能无法继续提升。

在这个闭环里，AI的身份发生了质变：

• 想让水下机器人更稳定？AI得自己去调整控制器的参数。
• 想把机械臂的运动速度再提升一点？AI必须亲自运行动力学仿真，观察结果。

某种程度上，AI已经脱离了单纯的语义理解层面，开始像一个

那样，在真实的环境反馈中进行持续的、目标驱动的优化。

Frontier-Eng Bench最有趣的地方在于，它的评价标准不是“答对了没有”，而是

。因为真实的工程优化，从来不是一道选择题，没有那个唯一的、等待被选中的标准答案。

以电池快充优化为例，目标听起来很直接——充电速度越快越好。但现实约束极为严苛：温度不能超标、电压必须稳定、电池寿命衰减要可控，还要极力避免析锂等安全隐患。AI必须在这些相互掣肘的条件中，精准地踩中那个微妙的性能平衡点。

这意味着，任何取巧的“刷题”策略在这里都行不通。AI必须在长周期的反馈中，展现出持续进化的耐力和寻找突破口的智慧。

那么，AI到底能不能在真实环境里做这种长期优化呢？从评测结果看，

在整体表现上最为稳健。但话说回来，距离彻底“通关”这个基准测试，现有的AI模型还有很长的路要走。

Auto Research进入“迭代优化”时代

研究团队在论文中提出了一个深刻的观点：真正高级的智能，本质上都依赖于长期的反馈闭环。

真正高级的智能，本质上都依赖长期反馈闭环。

这很好理解。AlphaGo能够击败人类顶尖棋手，关键不在于它记住了多少棋谱，而在于其每一步决策背后，都伴随着

。真正的科学研究也是如此，顶级实验室的突破很少依赖于一次偶然的灵感，更多是“提出假设-实验验证-分析结果-调整方向”这个循环的无数次重复。

工程优化更是同理。做出第一个能用的版本往往不难，真正的挑战在于最后那1%甚至0.1%的性能提升，那才是区分平庸与卓越的关键。

Frontier-Eng Bench的意义，就在于它首次开始系统性地测试AI的“迭代优化能力”，并从中总结出了两条近乎残酷的进化规律。

论文发现，智能体的改进频率和幅度都呈现出明显的幂律衰减趋势：改进频率大致与迭代轮数成反比，而改进幅度则与改进次数成反比。

• 改进频率 ∝ 1/迭代轮数
• 改进幅度 ∝ 1/改进次数

简单来说，就是前期进步神速，能快速摘取“低垂的果实”；但越接近性能瓶颈，每一点微小的提升都需要付出巨大的努力，改进会变得越来越慢、越来越小。这完美复现了真实研发过程中的“收益递减”现象。

那么，一个很自然的想法是：多开辟几条优化路径并行探索，用“宽度”来换取“深度”，会不会更有效率？答案藏在第二个规律里。

并行多条探索链确实有助于避免陷入局部最优，但在总计算预算固定的前提下，每多开一条链，就意味着每条链所能进行的深度迭代会被摊薄。而很多工程上的突破，恰恰需要在一个方向上持续积累、不断微调，才能产生结构性的质变，并非靠简单的“多试几次”就能实现。

这其实为下一代智能体的发展指明了方向：未来的AI不应再是那个追求“一次给出完美答案”的模型，而应该成为一个

。

AI工程师，可能真的要来了

这项研究更深远的启示在于，它初步勾勒出了一套

。

试想一下，当这样的AI能力接入工业软件、高保真仿真环境、CAD设计工具、芯片EDA平台或科学计算软件时，一场生产力模式的剧变将呼之欲出。

未来的研发实验室里，可能会出现一种全新的分工模式：人类研究员负责提出宏观方向和关键目标，比如“将这个部件的能耗降低30%”、“在保证精度前提下压缩模型的前向计算开销”、“将机器人控制的稳定性再提升一个量级”、“让量子线路的保真度无限逼近理论极限”。

而AI则负责“死磕路径”，围绕这些既定目标，不知疲倦地运行仿真实验、读取验证器（verifier）和仿真器（simulator）的反馈、修改参数与代码，24小时不间断地迭代优化。

这种进化逻辑，使得AI正在摆脱“辅助工具”的单一身份，开始像一个真正的、协作的工程团队那样，去系统性解决复杂问题。

当然，Frontier-Eng Bench所揭示的问题也同样直接：当AI初步学会了“长期优化”，它距离我们理想中那个具备真正工程智能的伙伴，究竟还有多远？这既是挑战，也是通往下一个时代的入口。

论文题目：Frontier-Eng: Benchmarking Self-Evolving Agents on Real-World Engineering Tasks with Generative Optimization
项目主页：https://lab.einsia.ai/frontier-eng/
Arxiv: https://arxiv.org/abs/2604.12290
GitHub repo: https://github.com/EinsiaLab/Frontier-Engineering