讓 AI 學會“挑刺”：根據說明書 + 照片指出傢俱是否裝錯，OpenAI GPT-6 Astra 準確率已達 80%

作者：問舟 責編：問舟 評論： 9 月 26 日消息，Epoch AI 於當地時間 9 月 23 日進行了一組傢俱組裝基準測試（Furniture Assembly Benchmark，FAB）。結果顯示，多模態 AI 在識別宜家傢俱組裝錯誤方面取得明顯進展。其中，OpenAI 最新的 GPT-6 Astra 在該基準測試中達到 80% 的準確率，相比 2025 年底提升近三倍。FAB 是一項專門評估 AI 理解現實世界裝配過程能力的測試。該測試用 60 張宜家傢俱組裝過程照片評估 AI 模型的視覺與空間推理能力。

測試人員選取三款宜家傢俱故意錯誤組裝，並拍攝不同階段的照片，要求 AI 將照片與官方安裝說明書進行比對，找出錯誤位置並說明具體問題。研究團隊認為，這類能力與汽車維修、家電檢修等需要結合圖像和技術說明進行判斷的任務具有較高相關性，因此具有一定實際應用價值。在測試時，AI 不僅會獲得組裝時的照片，還會同時獲得官方 PDF 說明書、圖片放大工具以及 Python 解釋器，需要判斷是否存在錯誤，並指出具體出錯步驟和問題描述。評分採用多階段驗證，只要模型能夠正確定位錯誤步驟並大致說明問題，即可獲得相應分數。

這項測試並非考察 AI 是否會背誦說明書，而是更接近真實使用場景：用戶只需拍攝組裝中的傢俱，AI 便需要判斷零件是否裝反、安裝順序是否錯誤，或是否遺漏了關鍵部件。Epoch AI 認為，這類任務結合了圖像理解、空間推理以及多步驟指令匹配能力，因此能夠較好反映多模態模型處理現實問題的水平。隨著相關能力提升，未來 AI 有望在傢俱組裝、設備安裝、維修指導等場景中提供更具針對性的實時輔助。結果顯示，OpenAI GPT-6 Astra 以 80% 的準確率位居榜首，Anthropic Claude Fable 5.1 和 Claude Opus 5 分別達到 70% 和 61%。

相比之下，2025 年 11 月時的領先模型 Claude Opus 4.5 準確率僅為 28%，意味著前沿模型在約 10 個月內實現了顯著提升。除了準確率提升，GPT-6 Astra 的推理效率也明顯改善。其完成單張照片分析的中位耗時約為 3 分鐘，是研究中速度最快的模型，比此前領先模型快約 2 至 10 倍。不過，研究團隊認為，這一速度距離真正意義上的實時識別仍有一定差距。研究還分析了不同模型的錯誤。例如，谷歌 Gemini 和阿里 Qwen 系列模型幾乎總是先假設存在錯誤再去找錯誤；而早期 Anthropic 和 OpenAI 模型則相反，經常完全找不到錯誤。

研究者認為，不同傢俱對模型難度的影響與宜家複雜度指數無明顯關聯，錯誤隱蔽性、視角及錯誤後繼續組裝的程度影響更大。在中國模型中，目前表現最好的開源權重模型 Kimi K3 相比國際前沿模型約落後 7 個月，這一差距比其在綜合能力評估中的約 4.4 個月差距更大。研究認為，視覺推理能力仍是當前部分中國模型相對薄弱的方向，而 DeepSeek V4 Pro、GLM 5.3 等熱門模型暫未提供圖像支持。

投訴水文 我要糾錯 下載APP，簽到賺金幣兌豪禮 相關文章關鍵詞：OpenAI，GPT6 Astra，多模態 AIOpenAI 承認 53 張用戶圖片被其 AI 智能體“偷偷”傳到公網OpenAI 智能體入侵澳大利亞政府網站，澳總理阿爾巴尼斯呼籲加強 AI 監管試圖闖入政府或學校網站，OpenAI 智能體四次“失控”細節曝光最貴 AI 訂閱服務之一：曝 OpenAI 正籌備 ChatGPT Pro Max 訂閱層級消息稱 OpenAI 將在數日內預覽網絡安全專用模型 GPT-6 Cyber三巨頭聯手，曝谷歌、OpenAI、Anthropic 擬共同組建 AI 安全標準自律組織