GPT-6 Astra 家具纠错准确率飙至80%

时间：2026 年 9 月 23 日 Epoch AI 公布测试结果，中文媒体于 9 月 26 日集中报道。 地点：美国旧金山 Epoch AI 实验室主导评测，覆盖全球主流多模态大模型。 人物：Epoch AI 团队、OpenAI GPT-6 Astra 开发团队、Anthropic Claude 系列团队、阿里 Qwen 与谷歌 Gemini 团队作为对照。 事件详情：Epoch AI 发布家具组装基准测试 FAB（Furniture Assembly Benchmark），用 60 张宜家家具组装过程照片（覆盖 STÄLL 鞋架、TONSTAD 床架、GULLABERG 八斗柜三款）评估多模态 AI 的视觉与空间推理能力。模型同时获得官方 PDF 说明书、图片放大工具与 Python 解释器，需在 80 步智能体沙盒内识别错误并定位出错步骤。 结果显示，OpenAI 最新多模态模型 GPT-6 Astra 以 80% 的准确率位居榜首，相比 2025 年 11 月时 Claude Opus 4.5 创下的 28% 纪录提升近三倍。Anthropic Claude Fable 5.1 与 Claude Opus 5 分别取得 70% 与 61%。GPT-6 Astra 完成单张照片分析的中位耗时约 3 分钟，是研究中最快模型，比此前领先模型快 2 至 10 倍，但仍不足以支撑实时识别。 研究还揭示了不同模型的典型错误倾向：谷歌 Gemini 与阿里 Qwen 系列几乎总是先假设存在错误再去找证据，Gemini 3.1 Pro 甚至几乎拒绝接受"无错误"结论；而早期 Anthropic 与 OpenAI 模型则相反，经常完全识别不出真实错误，GPT-5.4 在该项上漏检率最高。 背景：Epoch AI 设计 FAB 是为了填补现有视觉评测的盲区——主流图像描述、视觉问答、文档解析任务均不考察"对照说明书检查实物细节"的能力。该能力与汽车维修、家电检修、装配质检等需要结合图像与技术说明进行判断的工作高度相关，是 AI 进入车间与维修现场必须补齐的"课程"。 影响：FAB 的 10 个月从 28% 到 80% 跃升，是今年窄域视觉基准上最显著的能力跳升之一，证明多模态模型在细粒度视觉对比上正在快速逼近实用门槛。开源权重模型方面，表现最好的 Kimi K3 仍落后前沿约 7 个月，差距比综合能力评估中的 4.4 个月更大；DeepSeek V4 Pro、GLM 5.3 等热门模型则暂未提供图像支持。视觉推理正成为头部闭源模型进一步拉开领先优势的关键赛道。 总结：GPT-6 Astra 在 Epoch AI 家具组装基准 FAB 上以 80% 准确率刷新纪录，较 10 个月前提升近 3 倍，推理速度也领先其他模型 2 至 10 倍；尽管 3 分钟的单图延迟仍难支撑实时辅助，但视觉对比推理能力的快速跃迁，预示着 AI 在质检、维修与装配指导等实体场景的落地窗口正在打开。 参考来源： - IT 之家：https://www.ithome.com/1/007/414.htm - 腾讯新闻：https://news.qq.com/rain/a/20260926A08UMV00 - 新智元（Aiera）：https://aiera.com.cn/asi-item.html?id=17e068c7 - The Decoder (via Wortins)：https://www.wortins.com/story/openai-s-gpt-6-astra-can-now-tell-you-exactly-where-you-scre-64248416 - TPS Report：https://tpsreport.news/news/gpt-6-astra-furniture-assembly-benchmark-80-percent - AlphaSignal：https://alphasignal.ai/news/epoch-s-fab-benchmark-watched-gpt-6-astra-jump-from-28-to-80 - Clawpit.io：https://www.clawpit.io/clawpit/1039/ai-learns-assemble-furniture-changing-game - AI Daily Post：https://aidailypost.com/news/gpt-6-astra-scores-above-28