
GPT-6.2 Astra encabeza Blueprint-Bench 2: la línea humana es de doce apartamentos
- OrcaNUEVOOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 por 1M de tokens · 185 tok/s
- tencentNUEVOTencent: Hy4 Flash2026-11-16$0.02 / $0.07 por 1M de tokens · 826 tok/s
- AlibabaNUEVOQwen: Qwen4 Max2026-11-16$1.50 / $4.50 por 1M de tokens · 407 tok/s
- GoogleNUEVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 por 1M de tokens · 87 tok/s
- AnthropicNUEVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 por 1M de tokens · 150 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 por 1M de tokens · 99 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 por 1M de tokens · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 por 1M de tokens · 83 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 por 1M de tokens · 120 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 por 1M de tokens · 108 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 por 1M de tokens · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligencia
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 por 1M de tokens · 212 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligencia
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 por 1M de tokens · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligencia
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 por 1M de tokens · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligencia
GPT-6.2 Astra obtiene 0.614 en Blueprint-Bench 2. La línea base humana en la misma tabla es 0.586. Esa es una ventaja real, y también son 0.028 de punto medidos contra un número humano que Andon Labs calculó a partir de doce apartamentos. El resultado se publicó en la página de evaluación de Andon el 20 de noviembre de 2026 y fue amplificado esa misma mañana por Greg Brockman, quien lo expresó como que GPT-6.2 Astra "supera la línea base humana en el benchmark de comprensión física en 3D". Ambas mitades de esa frase necesitan que se les quite un poco de aire, y este artículo trata de qué partes sobreviven. GPT-6.2 Astra, GPT-6.2 Sol y Gemini 4 Carbon ocupan los cuatro primeros puestos de la tabla de Andon, lo que importa más para un lector que decide cómo llamarlo que el rango del titular.
El benchmark en sí no es nuevo. Blueprint-Bench 2 está en el sitio de Andon Labs desde mayo de 2026 y ha estado recopilando modelos durante seis meses; lo que cambió el 20 de noviembre es que un modelo finalmente superó el umbral humano por un margen mayor que su propio margen de error. Así que esto no es el lanzamiento de un benchmark ni el lanzamiento de un modelo: OpenAI presentó GPT-6.2 Astra el 17 de noviembre de 2026, tres días antes de que apareciera la puntuación. Es un resultado que aterriza en una tabla existente, y la pregunta interesante no es si el número es real. Es qué está midiendo el número, ya que la frase «comprensión física en 3D» tiene más peso en el tuit que la evaluación en su propia metodología.
Lo que Andon Labs midió realmente
Blueprint-Bench 2 da a un agente cincuenta apartamentos, uno tras otro. Para cada apartamento, examina aproximadamente veinte fotografías de interiores y debe dibujar un plano 2D: las habitaciones, qué habitaciones conectan con cuáles y sus tamaños relativos. Los agentes llevan un bloc de notas persistente entre apartamentos, de modo que un modelo puede anotar lo que ha aprendido sobre distribuciones típicas —dónde suele estar un pasillo, qué implica un marco de puerta en una esquina— y usarlo en el siguiente piso. Ese bloc de notas es la parte del diseño que convierte esto en una evaluación de agentes en lugar de una prueba de visión, y es la razón por la que las puntuaciones separan a los modelos de frontera de los de gama media con más claridad de lo que lo haría un benchmark de una sola imagen.
La puntuación compara el grafo de conectividad del modelo con la referencia real, ponderada en seis submétricas: similitud de Jaccard en las conexiones entre habitaciones con un 50 %, similitud de grado con un 20 %, densidad del grafo con un 10 %, número de habitaciones con un 10 %, número de puertas con un 5 % y orientación con un 5 %. Los planos se emparejan bajo simetría D4, de modo que un plano rotado o reflejado sigue puntuando, y el compuesto se normaliza para que una línea base aleatoria se asigne a 0 y un plano perfecto se asigne a 1. El peso del 50 % en Jaccard resume todo el benchmark en una línea: el propio escrito de Andon dice que todos los modelos aciertan aproximadamente el número de habitaciones, en torno al 90 %, y que el discriminador es si el modelo puede determinar qué habitaciones se abren a cuáles. Contar habitaciones a partir de fotografías es fácil. Reconstruir la topología a partir de un recorrido no lo es.
De ese diseño se derivan dos consecuencias. Primera: la salida es un plano 2D, no un modelo 3D; el razonamiento espacial es tridimensional en el sentido de que el agente debe inferir la distribución de una planta a partir de una secuencia de vistas superpuestas, pero nada en la puntuación recompensa una reconstrucción correcta de la altura del techo, el volumen o los muebles. Segunda: la puntuación es un número de similitud de grafos, no un porcentaje de precisión. Un 0,614 no significa que el modelo acertara el 61 % de los apartamentos; significa que sus grafos de conectividad se sitúan al 61,4 % del camino entre aleatorio y perfecto con esa ponderación.
El 0.028 que separa a un modelo de una persona
Aquí está la parte superior de la clasificación tal como estaba el 20 de noviembre de 2026, con las barras de error estándar que Andon dibuja en su gráfico, tomadas de la cifra publicada:
• GPT-6.2 Astra — 0.614, puesto 1, barra de error de aproximadamente 0.601 a 0.627
• Gemini 4 Carbon — 0.586, puesto 2 empatado, barra de error de aproximadamente 0.571 a 0.601
• Línea base humana — 0.586, puesto 2 empatado, evaluada en 12 apartamentos, sin intervalo publicado
• GPT-6.2 Sol — 0.570, puesto 4, barra de error aproximadamente de 0.558 a 0.584
• Claude Fable 5.2 — 0,566, puesto 5
• Gemini 4 Argon — 0.544, puesto 6
• Claude Opus 5.5 — 0.512, puesto 7
• GPT-6 Astra — 0.497, puesto 8

Hay tres cosas que merece la pena destacar de esa lista. La primera es la magnitud del margen, que es de 0,028 de punto en una escala en la que aleatorio es 0 y perfecto es 1. La segunda es que la barra de error de Astra no llega hasta 0,586 —el extremo inferior de su banda es 0,601—, así que la ventaja sobre la cifra humana no está dentro del propio ruido del modelo. La tercera es que la cifra humana no lleva ninguna banda de incertidumbre, porque se calculó con una docena de apartamentos de una tarea de cincuenta apartamentos. Una puntuación humana de doce apartamentos y una puntuación de modelo de cincuenta no son la misma medición, y Andon lo reconoce abiertamente: la nota al pie de la tabla de clasificación dice «Human baseline tested on subset of 12 apartments only». Trata 0,586 como una estimación de dónde se sitúa una persona, no como una línea con un ancho conocido.
Lo otro que muestran las barras de error es lo estrecha que es la cima de la tabla. El bigote inferior de Astra y el bigote superior de Gemini 4 Carbon se encuentran exactamente en 0.601. En este benchmark, el primer puesto y el segundo empatado están a un solo toque de bigote, lo cual es una afirmación distinta de "mejor que cualquier otra IA" y más defendible. La propia leyenda del gráfico de Andon divide la diferencia de una manera que vale la pena notar: etiqueta la línea punteada de humano como "Human (0.59)" y luego escribe que GPT-6.2 Astra y Gemini 4 Carbon "ahora lo empatan", aunque la tabla sitúa a Astra 0.028 por encima y a Carbon exactamente sobre ella. La tabla es el artefacto más cuidadoso. La leyenda es la que se citó.
Dos referencias, una dirección
Que un tablero supere una línea humana podría ser un artefacto de puntuación. La razón para tomarse el resultado en serio es que una segunda evaluación 3D, creada de forma independiente, se movió en la misma dirección en la misma semana. Artificial Analysis ejecuta AA-3D, que es una tarea completamente distinta: los modelos trabajan como agentes en un entorno aislado sin conexión mediante Stirrup y convierten un encargo escrito en una escena interactiva de three.js, y la clasificación proviene de votos ciegos por pares de un panel humano reclutado —más de 20.000 votos en el tablero actual— en lugar de una comparación de grafos.
• GPT-6.2 Astra (Max) — 1.318 Elo, intervalo del 95 % de 1.286 a 1.349, puesto 1
• Claude Fable 5.2 (Max) — 1.271 Elo, puesto 2
• GPT-6.2 Sol (Max) — 1.259 Elo, puesto 3
Claude Sonnet 5.5 (Max) — 1.204 Elo, puesto 4
• Claude Opus 5.5 (Max) — 1.202 Elo, puesto 5
• GPT-6 Astra (Max) — 1.168 Elo, intervalo del 95% de 1.141 a 1.196, puesto 6
Las dos tablas discrepan sobre la zona media de la clasificación —Claude Fable 5.2 es 5.º en la de Andon y 2.º en la de Artificial Analysis— y coinciden por completo en la cima. Astra lidera, Sol está en el top tres y la generación anterior se queda unos 150 Elo por detrás. La propia publicación de lanzamiento de OpenAI hizo la afirmación AA-3D el 17 de noviembre con esas mismas tres cifras, y la tabla independiente ahora las muestra sin cambios, lo cual es el raro caso en que una cifra del proveedor y una cifra de un tercero son la misma cifra. Eso no ocurre con la cifra de Blueprint-Bench: OpenAI no dijo nada sobre planos de planta, y la puntuación llegó solo de Andon.

{{1}}La convergencia es el argumento.{{/1}} Un benchmark de similitud de grafos puntuado por código y un benchmark Elo puntuado por preferencia humana a ciegas están tan distantes como pueden estarlo dos evaluaciones de la "capacidad espacial", y clasifican a los mismos tres modelos en el mismo orden. Lo que no establecen es que ninguno de los dos mida algo que un equipo de robótica llamaría inteligencia espacial, lo que nos lleva a la línea más interesante de la tabla de Andon.
Por qué un modelo de robótica obtuvo cero
Gemini Robotics-ER 1.6 obtiene 0,000 en Blueprint-Bench 2 — en el umbral de la línea base aleatoria o por debajo de ella, señalado por Andon con un doble asterisco. Es el número más revelador de la página. Un modelo creado específicamente para el razonamiento espacial y encarnado, justo lo que uno elegiría si la tarea fuera «comprender un espacio físico», genera grafos de conectividad que no superan el azar. Andon lo señala por su cuenta: la especialización espacial no se traslada a la generación de planos de planta.
Otros cuatro modelos también se sitúan en la línea base aleatoria, y la forma de ese grupo revela qué recompensa la evaluación comparativa. Lo que recompensa es una habilidad compuesta específica: leer una secuencia de fotografías, mantener una hipótesis coherente sobre una planta y emitir un plano con formato estricto que un analizador sintáctico pueda puntuar. Un modelo puede ser excelente razonando sobre el espacio físico y aun así fallar en esto, porque el modo de fallo suele ser el formato de salida o la consistencia a largo plazo, no la inferencia espacial. Lo que significa que «supera la línea base humana en comprensión física en 3D» es un resumen justo de la puntuación y un resumen ligeramente generoso de la habilidad. La versión honesta es más limitada: reconstruye la conectividad de un apartamento a partir de fotografías con más precisión de la que logró una muestra humana de doce apartamentos, en una evaluación comparativa que puntúa la estructura de grafo y nada más.
Para cualquiera cuyo trabajo real implique planos de planta —captura de propiedades, documentación de seguros, trabajo de instalaciones, digitalización de planos en papel—, esa afirmación más limitada sigue siendo la útil, porque la estructura de grafo es exactamente lo que necesitan esos flujos de trabajo y exactamente lo que un flujo de PDF a CAD hace mal. Para cualquiera que lo lea como una afirmación sobre robots que navegan por habitaciones, la fila Robotics-ER es la corrección.
Cuánto cuesta comprar ese lead
GPT-6.2 Astra se lista a $8 por millón de tokens de entrada, $0.40 en caché y $40 por millón de salida, lo que es un 20% inferior a GPT-6 Astra en ambas direcciones del medidor. El modelo que iguala la línea humana, Gemini 4 Carbon, se lista a $2 y $10 —una cuarta parte del precio de entrada de Astra y una cuarta parte de su precio de salida. GPT-6.2 Sol, cuarto en el tablero de Andon con 0.570 y tercero en AA-3D con 1,259 Elo, mantiene los precios por token de GPT-6.1 Sol en lugar de los de Astra.
• Blueprint-Bench 2 — Gemini 4 Carbon 0.586 frente a GPT-6.2 Astra 0.614
• Precio de entrada por 1M — Carbon $2.00 vs Astra $8.00
• Precio de salida por 1M — Carbon $10.00 vs Astra $40.00
• AA-3D Elo — Carbon no está en la tabla frente a Astra 1.318, puesto 1
• Dónde se ubica cada uno — Carbon empata con la línea humana, mientras que Astra la supera por 0.028

Si se lee como una pregunta sobre precios, la respuesta es incómoda para el modelo insignia. En el único benchmark en el que aparecen ambos modelos, por una quinta parte del precio se obtiene un empate con la línea base humana y una distancia mínima respecto del primer puesto. El argumento de Astra para justificar su precio no se basa en planos de viviendas; se basa en las evaluaciones de trabajo profesional de la publicación de lanzamiento de OpenAI, donde es el modelo con una ventana de contexto de 1.050.000 tokens y puntuaciones de vanguardia en Agents' Last Exam y Terminal-Bench-Science. Si su carga de trabajo son fotografías de apartamentos y grafos de conectividad, la diferencia de precio es difícil de justificar solo con esta tabla. Si su carga de trabajo es un conjunto extenso de documentos legales o científicos, este benchmark no dice nada al respecto en ningún sentido.
Una advertencia más sobre el coste: ni Andon ni Artificial Analysis publican una cifra de coste por tarea para Blueprint-Bench 2, y este benchmark es inusualmente sensible a ello. Cincuenta apartamentos con aproximadamente veinte imágenes cada uno suponen una gran cantidad de tokens de entrada antes de que el modelo escriba una sola habitación, y un modelo que alcanza la misma puntuación de grafo con más turnos del bucle del bloc de notas cuesta más por apartamento de lo que implica su precio por token. No interprete los precios por token indicados arriba como una factura por apartamento; no lo son.
Dónde deja esto una decisión de enrutamiento
La versión práctica de todo esto es que «qué modelo para trabajo espacial» acaba de convertirse en una pregunta de dos modelos con una horquilla de precios, y la capa de enrutamiento es donde se resuelve esa horquilla. Gemini 4 Carbon está en el catálogo de OrcaRouter a precio de lista con un 0 % de margen trasladado, lo que significa que los 2 $ y los 10 $ de arriba son lo que realmente pagas por millón de tokens en lugar de una tarifa de proveedor con un margen de plataforma acumulado encima. Eso importa aquí en concreto porque la diferencia de coste entre el primero y el segundo empatado en esta tabla es de 4x, y una diferencia de 4x es el tipo de cosa que conviene medir en tus propios planos antes de estandarizarte por uno u otro.
GPT-6.2 Astra no está en nuestro catálogo a fecha de 20 de noviembre; los modelos de OpenAI que ofrecemos son GPT-6 Astra, que obtiene 0,497 en esta tabla, y la línea GPT-6 Sol. Vale la pena decirlo claramente en lugar de insinuar lo contrario, porque cambia la recomendación: hasta que Astra se pueda enrutar aquí, el modelo de nuestro catálogo que iguala la línea base humana es Carbon, y GPT-6 Astra está en la misma clave si quieres el estilo de salida de OpenAI a $10 y $50. Cuando un modelo y su rival más barato llegan a un mismo endpoint, un A/B en tus propios apartamentos cuesta un cambio de clave de API en lugar de un segundo contrato, y la conmutación por error implica que un límite de tasa en uno no detiene el lote.
¿Qué cambiaría esta lectura?
Tres cosas, en orden de cuánto moverían la historia. La primera es una línea base humana más amplia. Doce apartamentos son una muestra pequeña para una tarea de cincuenta apartamentos, y que Andon publique un intervalo sobre la cifra humana resolvería si 0,586 es una línea o una mancha: si la banda humana resulta ir de 0,55 a 0,62, entonces la ventaja de Astra es real, pero el empate de Carbon no lo es, y se reordena toda la parte superior de la tabla. La segunda es una segunda ejecución de GPT-6.2 Astra en la misma tabla. El modelo tiene tres días; los números de Andon provienen de una sola campaña, y los benchmarks con un bucle de bloc de notas y un horizonte de cincuenta apartamentos tienen más variación entre ejecuciones que una evaluación de un solo intento, que es a lo que apuntan las barras de error estándar, pero que no pueden absorber por completo.
El tercero es la propia página. La sección «Hallazgos clave» de Andon sigue nombrando a GPT 5.5, Gemini 3.1 Pro y Claude Opus 4.7 como los tres mejores modelos, lo cual era cierto en mayo de 2026 y no se ha actualizado a medida que la tabla se ha ido completando. Sus análisis de razonamiento espacial todavía citan a Gemini 3.1 Pro y GPT 5.5 resolviendo apartamentos individuales. La clasificación está al día; la prosa que la rodea es una instantánea de hace seis meses. Lee la tabla, no la sección de hallazgos, y lee las barras de error del gráfico en lugar de la leyenda que afirma que dos modelos empatan en una línea que uno de ellos supera de forma medible.
Nada de eso hace que el resultado sea incorrecto. GPT-6.2 Astra es el mejor modelo en ambas evaluaciones 3D independientes publicadas esta semana, por un margen que supera su propia barra de error en una de ellas y por 47 Elo en la otra, donde los dos intervalos del 95 % todavía se solapan. Es el primer modelo que se sitúa claramente por encima de una estimación humana en un benchmark que lleva funcionando desde mayo. La afirmación es más modesta que el tuit y más sólida que una filtración, lo cual es la forma adecuada para un resultado que llegó tres días después de que lo hiciera el modelo.
Comparados en este artículo2
Detectado en este artículo · Benchmarks: Artificial Analysis · actualizado a diario
