Programmable Logic Controllers（PLC）通过读取传感器输入并下发控制指令来协调工业设备。要评估大语言模型（LLM）生成的PLC程序是否满足任务需求和安全约束，需要观察其指令对设备和工件状态的实际影响。为此我们构建了PLCWorld，一个将结构化文本（ST）执行与模拟工厂响应、传感器反馈耦合的闭环执行环境与基准套件。
PLCWorld基于工业PLC程序和工程文档中提取的控制关系，包含100个人工合成任务和473个任务‑条件对，覆盖运动控制和物料搬运两大场景。任务难度由控制依赖范围决定。统一的评估协议将任务成功（Task Success）和安全违规（Safety Violation）分开报告。
验证流程包括实践者审查、参考程序与替代程序对比、针对性反例检测、规范‑评估器对齐检查以及与独立ST运行时的比较。参考程序和替代程序在其适用案例中均满足要求；所有542个针对性反例在至少一个注册条件下都会触发对应的评估规则。
我们提出的Execution Gap指标衡量提交的程序在接受后出现任务失败或安全违规的概率。实验结果显示，在易度任务上，直接使用GPT‑5.5可达82.70%的任务成功率，但在难度任务上跌至25.10%。对六种LLM和四种生成‑验证工作流的评估进一步揭示了完成度、安全性和生成成本之间的差异。
代码、仿真环境、基准任务及基线实现已在 https://yunji0516.github.io/PLCWorld/ 开源。
点评