结构像不等于工程对：Simulink 生成的新基准

让 agent 生成 Simulink 模型，编译通过、跑得起来、长得像参照物，就等于工程上正确吗？Ruiqi Zhang 等 12 位作者的 SimuVerity（arXiv:2610.02304）给出否定答案，并提供了量化的尺子。

基准怎么建

101 道文本到可执行 Simulink 的生成任务，横跨十个工程领域，每道题由可执行系统画像打底，配四族原生仿真场景验证。判卷分三层：先看产物有没有交付，再看模型能不能执行，最后过工程合格审查。合格审查按六个维度打分：准确性、输出质量、机理保真、控制与因果完整性、运行域鲁棒性、动态响应。

成绩单的提醒

六个受测 agent 系统里，最高分只有 42.86。两个反直觉发现值得记住：结构相似度是工程性能的弱代理，长得像参照模型不代表行为正确；部分高分模型的视觉布局严重错乱，说明能跑与好看、正确三者可以完全脱钩。对做工业仿真的团队，这个基准直接可以用作验收工具，别再拿编译通过当交付标准。基准与评估器开源在 github.com/SimuVerity/SimuVerity，论文 CC BY 4.0。

与站内写过的 PLCWorld、Mimir 连起来看，工程级评测这条线正在快速成型：物理世界的对错，终究要由物理与仿真说了算。