GPT-6 Astra розпізнає помилки в складанні меблів IKEA з точністю 80%

Модель GPT-6 Astra від OpenAI тепер знаходить більшість помилок, яких люди припускаються під час складання меблів IKEA. Вона набирає 80% у Furniture Assembly Benchmark (FAB) від Epoch AI, про що дослідницька група повідомила 23 вересня. У листопаді 2025 року найкращий результат становив 28% і належав Claude Opus 4.5 від Anthropic.

Тест ставить вузьке, але практичне питання: чи може модель пов'язати паперову інструкцію з реальним предметом і пояснити, що саме зроблено неправильно? Epoch AI розглядає це як показник візуального та просторового мислення.

Що перевіряє бенчмарк

Epoch AI купила три меблі IKEA, обрані за IKEA Complexity Index: взуттєву полицю STÄLL, каркас ліжка TONSTAD і комод GULLABERG. Дослідники фотографували складання та навмисно припускалися реалістичних помилок, часто продовжуючи роботу після них, щоб помітити їх було важче.

Модель отримує 60 фотографій, частина з яких показує правильно складені меблі, а частина містить помилки, а також інструкцію, інструмент масштабування та інтерпретатор Python у межах 80 кроків агентної роботи. Щоб отримати бал, модель має назвати кожен крок із помилкою та описати її; опис перевіряє GPT-5.6 Sol.

Конкуренти й розрив

Claude Fable 5.1 досягає 70%, а Claude Opus 5 — 61%. Китайські відкриті моделі відстають від переднього краю: Kimi K3 відстає на сім місяців у FAB, тоді як у загальному Capabilities Index від Epoch розрив становить 4,4 місяця. За словами Epoch AI, підтримка зображень у китайських моделях усе ще рідкість: її не мають ні DeepSeek V4 Pro, ні DeepSeek Flash, ні GLM 5.3 від Z.ai.

Чому це важливо

Складання меблів для дослідників є замінником ремонтних робіт, які потребують тих самих навичок, наприклад ремонту автомобіля чи побутової техніки. Astra також найшвидша серед протестованих моделей: медіанний час — три хвилини на фото, удвічі-вдесятеро швидше за попередніх лідерів, хоча для підказок у реальному часі це все ще повільно. Тест охоплює лише 60 фото з трьох збірок, тож наскільки результати переносяться на інші фізичні завдання, невідомо.