GPT-6 Astra, IKEA montaj hatalarını yüzde 80 doğrulukla buluyor

OpenAI'ın GPT-6 Astra modeli artık insanların IKEA mobilyası montajında yaptığı hataların çoğunu buluyor. Model, Epoch AI'nin 23 Eylül'de yayımladığı Furniture Assembly Benchmark (FAB) testinde yüzde 80 doğruluğa ulaşıyor. Kasım 2025'te en iyi sonuç yüzde 28 ile Anthropic'in Claude Opus 4.5 modeline aitti.

Test dar ama pratik bir soru soruyor: Bir model kâğıt montaj kılavuzunu gerçek bir nesneyle ilişkilendirip neyin yanlış yapıldığını açıklayabiliyor mu? Epoch AI bunu görsel ve uzamsal akıl yürütme göstergesi olarak görüyor.

Test neyi ölçüyor

Epoch AI, IKEA Complexity Index'e göre seçilen üç IKEA mobilyası satın aldı: STÄLL ayakkabı rafı, TONSTAD karyola ve GULLABERG şifonyer. Araştırmacılar montaj sırasında fotoğraf çekti ve bilerek gerçekçi hatalar yaptı; hatanın fark edilmesini zorlaştırmak için çoğu zaman montaja hatadan sonra da devam ettiler.

Model, bir kısmı doğru bir kısmı hatalı montajı gösteren 60 fotoğrafın yanı sıra kılavuzu, yakınlaştırma aracını ve 80 adımlık bir ajan bütçesi içinde Python yorumlayıcısını alıyor. Puan almak için modelin hatalı tüm adımları sıralaması ve hatayı betimlemesi gerekiyor; betimlemeyi GPT-5.6 Sol denetliyor.

Rakipler ve açık ağırlıklı modeller

Claude Fable 5.1 yüzde 70, Claude Opus 5 ise yüzde 61 ile takip ediyor. Çinli açık ağırlıklı modeller sınırın gerisinde: Kimi K3 FAB'da yedi ay geride kalırken, Epoch'un genel Capabilities Index ölçümünde bu fark 4,4 ay. Epoch AI'ye göre görüntü desteği Çin modellerinde hâlâ nadir: DeepSeek V4 Pro, DeepSeek Flash ve Z.ai'nin GLM 5.3 modelinde bu destek yok.

Neden önemli

Araştırmacılara göre mobilya montajı, aynı becerileri gerektiren bakım işleri için bir vekil görevi görüyor: örneğin otomobil ya da ev aletleri tamiri. Astra aynı zamanda test edilen en hızlı model: fotoğraf başına medyan üç dakika, önceki liderlerden iki ile on kat daha hızlı, ancak gerçek zamanlı yönlendirme için hâlâ yavaş. Test yalnızca üç montajdan 60 fotoğrafı kapsıyor, bu yüzden sonuçların diğer fiziksel görevlere ne kadar genellenebileceği belirsiz.