但真实的工程世界是残酷的：水下机器人的稳定性、动力电池的析锂边界、量子线路的噪声控制……这些问题没有“满分”，只有“更逼近极限的优化”。
近期，Einsia AI旗下Navers lab发布的Agent Benchmark——Frontier-Eng Bench，正式撕掉了AI“做题家”的标签。
研究团队没有让AI刷那些陈旧的代码题，取而代之的是，给了它一套完整的“工程闭环”：提出方案、接入仿真器、吃报错、改参数、重跑。
在47个多学科交叉的硬核任务面前，AI必须表现得像资深工程师一样，在功耗、安全、性能的“不可能三角”中寻找最优解。
当AI开始学会在反馈中自我修正，那个“人类提目标、AI则24小时不间断迭代”的Auto Research时代，可能比我们想象中更近了。
流程转而变成了让AI先提出方案、再接入simulator跑实验、继而获取反馈和报错、修改参数和代码、再继续重跑，直到性能继续上涨。
某种程度上，AI们已经脱离了单纯的语义理解，开始像一个职业工程师那样，在真实环境反馈里做持续优化。
Frontier-Eng Bench最有意思的地方在于：它测的不是AI“答对没有”，而是AI到底能不能持续变强。
AI必须在温度不能爆表、电压不能超速、电池寿命不能掉太快、还要避免析锂的严苛约束下，精准踩中性能的平衡点。
这意味着AI无法通过任何技巧性的“刷题”来通关，它必须在长程反馈中展现出持续进化的耐力。
从结果来看，GPT5.4整体表现最稳，但距离把Benchmark“做穿”，AI们要走的路还很远。
正如AlphaGo之所以能击败李世石，在于其每一步决策背后深不见底的海量模拟与即时反馈，而非对既定棋谱的死记硬背。
真正的科研也一样，顶级实验室并不依赖某一次的灵感爆发，而是不断地提假设、跑实验、看结果、改方案、再继续尝试。
Frontier-Eng Bench的意义就在于：它第一次开始系统性地测试AI的“迭代优化能力”，并总结出了两条近乎残酷的AI进化规律。
这很像真实研发过程，第一版AI能快速干掉大量“低垂果实”，但越往后越接近瓶颈，想再抠一点性能都得下狠功夫。
很多工程突破需要靠持续积累、不断修正，才会出现结构性跃迁，并不是说靠“多试几次”就能实现。
这其实提示了我们下一代Agent的发展方向：不是“一次出答案”的模型，而是能在长程反馈里持续迭代、自我进化的系统。
试想一下，当AI接入工业软件、仿真环境、CAD系统、芯片设计工具、科学计算平台……
例如“把这个部件的能耗降低30%”、“把这个模型前向的GPU占用率压得更低”、“让机器人控制的稳定性再提升一点”、“让量子线路的保真度继续逼近极限”等等。
例如自动运行仿真与实验、自动读取verifier与simulator的反馈，再继续修改和优化，24小时不停迭代。
这种进化逻辑，让AI摆脱了“辅助工具”的身份，开始像一个真正的工程团队那样去解决复杂系统问题，而且不知疲倦。
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
量子位 QbitAI