GPT-6 Astra IKEA mebel yığımı səhvlərini 80 faiz dəqiqliklə tapır

OpenAI-ın GPT-6 Astra modeli artıq insanların IKEA mebeli yığımı zamanı etdiyi səhvlərin çoxunu tapır. Model Epoch AI-nin sentyabrın 23-də dərc etdiyi Furniture Assembly Benchmark (FAB) testində 80 faiz dəqiqliyə çatır. 2025-ci ilin noyabrında ən yaxşı nəticə 28 faiz idi və Anthropic-in Claude Opus 4.5 modelinə məxsus olub.

Test dar, lakin praktik sual verir: model kağız təlimatı real əşya ilə əlaqələndirib nəyin səhv edildiyini izah edə bilirmi? Epoch AI bunu vizual və məkan təfəkkürünün göstəricisi hesab edir.

Test nəyi yoxlayır

Epoch AI IKEA Complexity Index-ə görə seçilmiş üç IKEA mebeli alıb: STÄLL ayaqqabı rəfi, TONSTAD çarpayı çərçivəsi və GULLABERG komod. Tədqiqatçılar yığım zamanı foto çəkib və qəsdən real görünən səhvlər ediblər; səhvin görünməsini çətinləşdirmək üçün yığımı səhvdən sonra da davam etdiriblər.

Model bəzisi düzgün, bəzisi səhvlə yığılmış 60 fotonu, həmçinin təlimatı, yaxınlaşdırma alətini və 80 addımlıq agent büdcəsi daxilində Python interpretatorunu alır. Xal qazanmaq üçün model səhvin olduğu bütün addımları sadalamalı və səhvi təsvir etməlidir; təsviri GPT-5.6 Sol yoxlayır.

Rəqiblər və açıq çəki fərqi

Claude Fable 5.1 70 faiz, Claude Opus 5 isə 61 faizlə izləyir. Çin istehsalı açıq çəkili modellər liderlərdən geri qalır: Kimi K3 FAB-da yeddi ay geridədir, Epoch-un ümumi Capabilities Index göstəricisində isə fərq 4,4 aydır. Epoch AI qeyd edir ki, təsvir dəstəyi Çin modellərində hələ nadirdir: DeepSeek V4 Pro, DeepSeek Flash və Z.ai-nin GLM 5.3 modelində bu dəstək yoxdur.

Niyə vacibdir

Tədqiqatçıların sözlərinə görə, mebel yığımı eyni bacarıqları tələb edən texniki işlər üçün göstərici rolunu oynayır, məsələn avtomobil və ya məişət texnikasının təmiri. Astra həm də sınaqdan keçirilmiş ən sürətli modeldir: foto başına median üç dəqiqə, əvvəlki liderlərdən iki-on dəfə sürətli, amma real vaxtda kömək üçün hələ də yavaşdır. Test yalnız üç yığımdan alınan 60 fotonu əhatə edir, ona görə nəticələrin digər fiziki tapşırıqlara nə dərəcədə keçdiyi bilinmir.