SKY-001: El Engineering World Model de Skyfall AI supera a GPT-6 Astra en coste por 150 veces — y en precisión por 0,6 puntos

Skyfall AI anunció SKY-001 el 19 de octubre de 2026, y la afirmación que verás repetida es que supera a GPT-6 Astra y a Claude Opus 5.5 en trabajo de CAD y BIM. La cifra que subyace a esa afirmación es más pequeña y más interesante que la afirmación en sí. En el propio benchmark de construcción CAD del proveedor, SKY-001 obtiene un 79,7 % de IoU frente al 79,1 % de GPT-6 Astra. Son seis décimas de punto: el tipo de diferencia que se obtiene con una semilla aleatoria distinta, no con una arquitectura nueva. Lo que no está nada cerca es todo lo que lo rodea: 3,9 segundos por caso frente a 199, y 0,005 $ frente a 0,75 $. La precisión es un empate. La eficiencia es una paliza. Los propios materiales de Skyfall destacan el segundo punto a voz en grito y, en un pasaje, formulan el primer punto por ti sin pretenderlo. Los fallos documentados de IA y los incidentes de agentes que hay detrás de lanzamientos como este se recopilan en el Archivo de Incidentes de IA de OrcaRouter, donde cada entrada incluye sus propias fuentes, gravedad, grado de confianza y marca de disputa.

Hay una segunda cosa que debes saber antes de que cualquiera de esas cifras te importe: SKY-001 no es algo a lo que puedas llamar. Está en vista previa de investigación, con lista de espera, y el despliegue comercial completo está previsto para principios de 2027. Sin API, sin precios, sin pesos, sin número de parámetros, sin licencia. Este artículo trata de lo que el lanzamiento establece en realidad: cómo resisten los benchmarks cuando lees la tabla en lugar del titular, qué hace genuinamente diferente el modelo y qué debería hacer un equipo que necesita esta capacidad hoy en vez de esperar.

Lo que Skyfall realmente lanzó

Skyfall AI es una empresa de San Francisco con un centro de investigación en Toronto, fundada por el equipo detrás de Maluuba, el laboratorio de aprendizaje profundo que Microsoft adquirió en 2017. Sam Pasupalak es el CEO; Kaheer Suleman y Sumit Pasupalak son cofundadores. Salió del modo sigiloso en julio de 2026 con una propuesta poco habitual —modelos del mundo para empresas y, con el tiempo, una empresa dirigida por IA— respaldada por Fidelity, Touring Capital, M13 e iNovia. SKY-001 es su primer modelo publicado y el primer artefacto concreto detrás de esa tesis.

La propuesta en una frase: el diseño de ingeniería no es un problema de lenguaje, así que deja de resolverlo con un modelo de lenguaje. Un motor se descompone en cientos de piezas anidadas varios niveles de profundidad, cada una condicionada por sus vecinas; un plano de planta es muros, luego unidades, luego habitaciones, luego puertas y elementos fijos, dibujados en un orden que importa. Un modelo que emite una larga cadena autorregresiva de texto tiene que mantener todo eso en un único contexto y empeora a medida que la cadena se alarga. SKY-001, en cambio, planifica en el mundo visual, en una jerarquía, donde cada nivel entrega un subobjetivo explícito al nivel inferior.

Dos componentes lo hacen. El Hierarchical Composer toma una intención de diseño —una imagen, texto o una envolvente de edificio con un brief— y genera el diseño completo, luego lo divide nivel por nivel, refinando cada hoja en paralelo. El Construction World Model luego predice la secuencia ordenada de estados visuales que construye cada hoja: en CAD, una cadena de estados de sólidos 3D con el boceto 2D dibujado entre cada par consecutivo; en BIM, un plano de planta dibujado trazo a trazo. El propio dibujo se ejecuta como difusión en dos pasadas, un despliegue grueso en un espacio latente comprimido de un autoencoder de tipo Matryoshka, luego un refinador que restaura la resolución completa. Ambos son transformadores de difusión; ninguno predice tokens.

No hay ninguna información pública sobre las dimensiones de esa arquitectura. Skyfall divulgó sus datos, no su modelo: más de 200.000 piezas para el compositor y más de 600.000 ejemplos de construcción para el modelo del mundo, además de aproximadamente 35.000 planos reales y sintéticos que representan alrededor de dos millones de estados de dibujo. Los datos CAD se reconstruyeron a partir de conjuntos de datos públicos de ensamblaje cuyas jerarquías eran inconsistentes y cuyas piezas no tenían nombre, y en los que faltaban los historiales de construcción; Skyfall les aplicó ingeniería inversa con herramientas de ingeniería y flujos de trabajo asistidos por LLM, y verificó el resultado antes de entrenar con él. El argumento de la escala de datos es real: en comparación con PartVerse, el conjunto de datos habitual de descomposición de piezas, el objeto mediano tiene 6 piezas y el percentil 99, 33. La mediana de Skyfall es 288 y su percentil 99 es 4.180.

Leer correctamente el benchmark CAD

El benchmark de construcción CAD consta de 1.000 componentes muestreados de objetos complejos —un Jaguar E-Type Roadster, un brazo de soldadura FANUC ArcMate 100iB, un Minitractor 4×4, un helicóptero Bell 222, un motor a reacción—, cada uno de los cuales requiere aproximadamente 100 pasos de dibujo, y se puntúa mediante IoU frente a la forma de referencia. Se ejecutaron cinco modelos de vanguardia sobre él. Cada número a continuación es de Skyfall, producido por Skyfall, sobre modelos que Skyfall ejecutó por sí misma.

• Tiempo por caso — SKY-001 3,9 s; GPT-6 Astra 199 s; Gemini 4 253 s; Kimi K3 439 s; Qwen 3.8 Max 764 s; Grok 4.7 1.250 s y no completó ninguno.

• Costo por caso — SKY-001 $0.005; GPT-6 Astra $0.75; Gemini 4 $0.25; Qwen 3.8 Max $0.30; Kimi K3 $0.13; Grok 4.7 $0.59 por no generar salida.

Calidad (IoU medio) — SKY-001 79,7 %; GPT-6 Astra 79,1 %; Gemini 4 76,9 %; Qwen 3.8 Max 34,4 %; Kimi K3 9,5 %; Grok 4.7 sin resultado.

Esa es toda la tabla, y merece una segunda lectura. La historia de eficiencia es tan contundente como se anunciaba: 51× más rápida y 150× más barata que el mejor rival, lo que, con mil diseños por semana, es la diferencia entre una partida de $5 y otra de $750. La historia de calidad es un empate. SKY-001, GPT-6 Astra y Gemini 4 quedan todos a no más de tres puntos entre sí en la cima; el desplome que hay debajo de ellos —34.4%, 9.5%, sin salida— dice más sobre lo mal que falla el prompting ingenuo de LLM en secuencias largas de construcción que sobre el ganador. Que Grok 4.7 termine cero de 1,000 casos es un recordatorio de que se trata de rollouts largos y frágiles, y de que el benchmark mide si un modelo puede siquiera mantenerse coherente durante 100 pasos.

Una advertencia sobre la columna de costes: Skyfall informa un coste por caso, pero no la contabilidad que hay detrás. Que se trate del precio de lista de la API, del tiempo de GPU alquilada o de la inferencia autoalojada amortizada cambia sustancialmente la comparación, especialmente para los modelos que Skyfall ejecutó por sí misma en lugar de llamar. Considera que las proporciones apuntan en la dirección correcta y que los valores absolutos en dólares no están explicados.

La afirmación sobre la eficiencia cambia según la página que leas.

Los materiales de lanzamiento de Skyfall no concuerdan entre sí, lo cual conviene saber si piensas citarlos. El blog de lanzamiento titula «aproximadamente una aceleración de 50× y 150 veces menos» por caso de CAD, y las etiquetas de su gráfico indican 51× y 150×. El titular de la página de producto SKY-001 dice «3,9 s frente a 199 s, 49× más rápido» y «$0,005 frente a $0,75, 143× menor coste». El comunicado de prensa dice «100× más rápido» y «150× menor coste». Mismo modelo, mismo benchmark, cuatro multiplicadores de velocidad distintos en tres documentos publicados el mismo día.

La aritmética zanja el caso de CAD: 199 dividido entre 3,9 es 51,0, y $0,75 dividido entre $0,005 es 150. El blog tiene razón y las otras dos páginas están redondeadas, desactualizadas o calculadas con una base distinta; el 100× del comunicado de prensa no es conciliable con ningún número del sitio. Esto no es un escándalo; las páginas de lanzamiento las escriben personas distintas con plazos distintos y nadie las compara. Es una razón para citar la tabla primaria, no el titular, y para esperar que los multiplicadores que veas en la cobertura de esta semana estén equivocados en la dirección que quien escribió leyó primero.

La página de aterrizaje también reporta un segundo panel de calidad que no coincide con el blog. Su gráfico CAD 3D muestra SKY-001 con 76,1% de IoU frente a GPT-6 Astra con 73,4%, Claude Opus 5.5 con 61,8%, Gemini 3.8 Flash con 45,9%, Qwen 3.8 Max con 26,6% y Kimi K3 con 6,5%. El benchmark de construcción del blog muestra 79,7% frente a 79,1%. Distinta tarea, distinta puntuación, el mismo nombre de modelo en ambos —y el margen sobre Astra pasa de 0,6 puntos a 2,7 según cuál tomes. Si vas a discutir la precisión de este modelo, nombra el benchmark junto con la cifra.

BIM: una ventaja más estrecha, y Gemini justo detrás

El benchmark BIM consta de 1.000 planos de planta —unos 350 pisos completos extraídos de modelos de edificio IFC y 650 a nivel de apartamento—, con entre 20 y más de 200 pasos de dibujo cada uno, alrededor de 70 de media, evaluados mediante IoU sobre el plano terminado.

• Tiempo por plan — SKY-001 1,22 s; Kimi K3 113,9 s; GPT-6 Astra 144,6 s; Qwen 3.8 Max 255,3 s; Gemini 3.8 Flash 346,2 s; Grok 4.7 592,1 s.

• Costo por plan — SKY-001 $0.0024; Qwen 3.8 Max $0.111; Gemini 3.8 Flash $0.218; Kimi K3 $0.270; Grok 4.7 $0.305; GPT-6 Astra $0.446.

• Calidad (IoU media) — SKY-001 43,6 %; Gemini 3.8 Flash 42,3 %; GPT-6 Astra 40,6 %; Kimi K3 33,7 %; Qwen 3.8 Max 28,8 %; Grok 4.7 28,2 %.

Las cifras de velocidad de 119× y de coste de 186× frente a Astra son exactas. Pero fíjate en la columna de calidad: Gemini 3.8 Flash está 1,3 puntos por detrás de SKY-001, y Gemini 3.8 Flash cuesta 91× más, pero sigue siendo barato en términos absolutos: 22 centavos por plano. La diferencia que importa para una firma que elabora miles de planos es real; la diferencia que importa para una firma que elabora docenas es un error de redondeo frente a un cambio en el flujo de trabajo.

Y fíjate en el número absoluto. El mejor modelo de este benchmark reconstruye el 43,6 % de un plano de planta mediante intersección sobre unión. Ese es un listón de calidad de vista previa de investigación, expresado sin rodeos por la propia puntuación del proveedor, no un listón de «sustituir al arquitecto». Leída en ese contexto, la afirmación real del lanzamiento es más limitada y más defendible que la del tuit: un modelo espacial creado específicamente ahora planifica secuencias de construcción largas a una velocidad que hace práctica la generación masiva y la búsqueda, con una fidelidad aproximadamente al nivel de referencia humano respecto a los LLM de frontera con los que se comparó, no que haya resuelto el diseño de edificios.

En qué se equivocó el tuit

El planteamiento de que SKY-001 «supera a GPT-6 Astra y Opus 5.5 en tareas de CAD y BIM» exagera una de esas dos comparaciones. Claude Opus 5.5 no aparece en ninguno de los dos benchmarks de construcción. Aparece dos veces en otros contextos: en un vídeo cualitativo en el que cuatro modelos escribieron cada uno un script de Blender para un ensamblaje completo en una sola solicitud —donde el propio Skyfall dice que GPT-6 Astra estaba «muy por delante» de los otros modelos frontera— y como uno de los dos jueces ciegos de LLM que puntuaron SKY-001 frente a Astra, junto a GPT-6.1 Sol. El panel de CAD 3D de la página de aterrizaje sí incluye a Opus 5.5 con un 61,8 %, y ese es el único lugar donde existe una cifra para él.

En BIM no hay ninguna fila de Opus 5.5. Tampoco hay una fila de Opus 5.5 en la tabla de construcción CAD. Así que la versión honesta de la afirmación es: SKY-001 prácticamente empata con GPT-6 Astra en precisión con una fracción del tiempo y el coste, y supera a los modelos de frontera que se ejecutaron —que incluían Gemini, Qwen y Kimi— por márgenes que aumentan a medida que la tarea se alarga. La parte de Opus de la frase proviene de una demo en vídeo y de un puesto de juez, no de un benchmark.

La comparación del composer merece su propia salvedad, porque es el más blando de los dos resultados. Skyfall enfrentó a SKY-001 contra GPT-6 Astra, Claude Opus 5.5 y Claude Fable 5.1 con las mismas fotografías de entrada, y cada LLM escribió un script de Blender para el ensamblaje completo en una sola petición. Dos jueces LLM a ciegas puntuaron los renders de 1 a 10 en cinco dimensiones, y SKY-001 ganó cuatro de cinco: descomposición en piezas 7,8 frente a 6,4; interior 7,3 frente a 6,3; complejidad 8,0 frente a 7,3; fidelidad a la imagen de entrada 8,1 frente a 6,7; realismo exterior 7,7 frente a 7,4. Las salvedades están en la propia nota al pie de Skyfall: los jueces son LLM, la configuración es de prompting de un solo tiro, sin herramientas ni iteración para los rivales, y GPT-6 Astra devolvió un modelo para solo el 82 % de los assets, así que en el 18 % del conjunto SKY-001 competía contra nada. Un script de Blender de una sola petición es una forma deliberadamente poco favorecedora de poner a un LLM de frontera a hacer ensamblaje 3D. Eso no hace que el resultado sea falso; lo convierte en una comparación entre un pipeline hecho a propósito y un prompt listo para usar, que es exactamente lo que también son los benchmarks de construcción.

Qué significa esto si realmente construyes software de ingeniería

La afirmación interesante no es el margen en el benchmark. Es que un modelo del mundo espacial jerárquico pueda mantener cohesionado un plan de construcción de 100 pasos, a través de cinco niveles de ensamblaje y miles de piezas, y producir algo que obtenga una puntuación a menos de un punto de la de un LLM de frontera en solapamiento geométrico. Si eso se sostiene bajo pruebas independientes, las consecuencias prácticas tienen que ver con la búsqueda más que con el reemplazo: cuando un rollout de diseño cuesta medio centavo y cuatro segundos en lugar de 75 centavos y tres minutos, puedes generar mil variantes y elegir una. Ese es un producto distinto de un modelo que produce un diseño lentamente.

Las piezas que Skyfall dice que vienen a continuación apuntan en la misma dirección. Los bocetos CAD se convertirían en operaciones paramétricas ejecutables con un historial de operaciones editable, de modo que un diseñador podría pedir ensanchar un soporte y lograr que las piezas vecinas que deben cambiar lo sigan. La salida BIM se convertiría en muros, puertas, ventanas y habitaciones dentro de un modelo de edificio editable en lugar de un plano. Más allá de eso, el diseño de PCB y otro hardware. Son afirmaciones de hoja de ruta, no funciones ya disponibles, y la vista previa de investigación no contiene ninguna de ellas.

También están las preguntas que normalmente responde un lanzamiento de modelo y que este no responde. No hay recuento de parámetros. Ni artículo de arquitectura. Ni pesos, ni licencia, ni ruta de autoalojamiento. Ni ventana de contexto, porque no es un modelo de chat. Ni arnés de evaluación publicado, así que no hay forma de volver a ejecutar el benchmark con tus propios componentes. Y ninguna medición independiente: Artificial Analysis, LMArena y los habituales paneles de terceros no tienen ninguna entrada de SKY-001, lo cual no sorprende para un modelo que lleva un día público y no se puede invocar. Todas las cifras de este artículo las reporta el proveedor y no se han reproducido, y las propias páginas del proveedor discrepan entre sí hasta en 2× en el multiplicador de velocidad destacado. La replicación independiente es lo que hay que esperar antes de que las cifras pasen a ser determinantes en una decisión de implementación.

Si necesita esta capacidad este trimestre

No puedes tener SKY-001. La página del producto ofrece una lista de espera, el comunicado de prensa indica que el despliegue comercial completo está previsto para principios de 2027, y la única integración mencionada es una demostración dentro de Autodesk Fusion, no un conector ya lanzado. Nada de esto justifica planificar un pipeline de 2026 en torno a ello.

Lo que puedes tener es el modelo con el que se comparó. GPT-6 Astra está enrutado en OrcaRouter como openai/gpt-6-astra, a los precios de lista de OpenAI de $10.00 por millón de tokens de entrada y $50.00 por millón de tokens de salida, con una ventana de contexto de 1.05M de tokens, repercutido con un 0 % de margen — así que si OpenAI cambia la tarifa, la tarifa de aquí cambia el mismo día y no después de un recálculo de márgenes. Tiene un Índice de Inteligencia de Artificial Analysis de 54.7, un Índice de Programación de 76.9 y un Índice Agéntico de 51.6, que es la cifra independiente que SKY-001 no tiene.

Esa es también la forma sensata de mantener a la vista un modelo no probado sin apostar por él una ruta de producción. Cuando SKY-001 llegue a una API —a principios de 2027 según el plan actual, y posiblemente a través de un socio antes de que Skyfall venda directamente—, la prueba que merece la pena ejecutar son tus propias piezas, no una prueba comparativa de 1.000 componentes. Hasta entonces, el patrón de enrutamiento que sobrevive a un modelo que no has evaluado es el aburrido: mantén la llamada en un único punto de conexión, coloca detrás una cadena de respaldo, y deja que el enrutador mueva el tráfico cuando un proveedor esté lento o un modelo deje de ser la mejor respuesta. La conmutación por error de OrcaRouter existe precisamente porque un modelo nuevo debe ganarse el tráfico de producción con resultados medidos, y nadie ha medido SKY-001 fuera de Skyfall.

Qué ver

Tres cosas harían que esto pasara de ser una sólida demo de proveedor a una decisión. Primero, una evaluación independiente en un arnés de evaluación público: el benchmark de construcción es propio de Skyfall, definido por Skyfall, sin un conjunto de tareas publicado, y el margen de 0,6 puntos en CAD está muy dentro del rango que una convención de puntuación distinta podría invertir. Segundo, la forma comercial: si principios de 2027 llega como una API con un precio por diseño, como un plugin dentro de las herramientas CAD y BIM en las que el comprador ya trabaja, o como una licencia empresarial vendida a empresas en lugar de a desarrolladores. La mención de Autodesk Fusion apunta a la segunda, lo que convertiría a SKY-001 en una función del software de diseño que ya tienes en lugar de un modelo al que invocas. Tercero, si la jerarquía se generaliza más allá de CAD y BIM al trabajo de PCB y hardware que Skyfall menciona a continuación: esa es la afirmación de que la arquitectura, y no los datos de entrenamiento, es la ventaja.

Por ahora, el resumen preciso es limitado. Skyfall AI ha lanzado el primer modelo del mundo para ingeniería creíble, y en lo que realmente gana es en velocidad y coste por diseño, por uno o dos órdenes de magnitud, con una precisión que iguala la frontera en lugar de superarla. Esa es una capacidad genuinamente nueva y una apuesta estratégica real contra el enfoque de los LLM para el diseño físico. También es, hoy, una página de lista de espera y un benchmark de proveedor —y las seis décimas de punto, no el 150×, son la cifra que decidirá si es algo más que eso.