
GPT-6.2 Astra supera Blueprint-Bench 2: la linea umana è di dodici appartamenti
- OrcaNUOVOOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1M di token · 185 tok/s
- tencentNUOVOTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1M di token · 826 tok/s
- AlibabaNUOVOQwen: Qwen4 Max2026-11-16$1.50 / $4.50 per 1M di token · 407 tok/s
- GoogleNUOVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1M di token · 87 tok/s
- AnthropicNUOVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1M di token · 150 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1M di token · 99 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1M di token · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1M di token · 83 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1M di token · 120 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1M di token · 108 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1M di token · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M di token · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M di token · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligenza
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1M di token · 212 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligenza
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1M di token · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligenza
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 per 1M di token · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligenza
GPT-6.2 Astra ottiene 0,614 su Blueprint-Bench 2. La baseline umana sulla stessa board è 0,586. Si tratta di un vero vantaggio, ma anche di 0,028 di punto misurati rispetto a un numero umano che Andon Labs ha calcolato da dodici appartamenti. Il risultato è apparso sulla pagina di valutazione di Andon il 20 novembre 2026 ed è stato rilanciato la stessa mattina da Greg Brockman, che l'ha presentato come GPT-6.2 Astra che "supera la baseline umana nel benchmark di comprensione fisica 3D". Entrambe le metà di quella frase vanno un po' sgonfiate, e questo articolo riguarda quali parti sopravvivono. GPT-6.2 Astra, GPT-6.2 Sol e Gemini 4 Carbon occupano le prime quattro posizioni nella classifica di Andon, il che conta più, per un lettore che deve decidere come definirlo, di quanto conti la posizione in vetta alla classifica.
La benchmark in sé non è nuova. Blueprint-Bench 2 è sul sito di Andon Labs da maggio 2026 e raccoglie modelli da sei mesi; ciò che è cambiato il 20 novembre è che un modello ha finalmente superato la soglia umana di più del proprio margine d'errore. Quindi non si tratta del lancio di una benchmark né del lancio di un modello — OpenAI ha rilasciato GPT-6.2 Astra il 17 novembre 2026, tre giorni prima che comparisse il punteggio. È un risultato che arriva su una classifica già esistente, e la domanda interessante non è se il numero sia reale. È che cosa stia misurando il numero, dato che la frase "comprensione fisica in 3D" fa più lavoro nel tweet di quanto ne faccia l'eval nella propria metodologia.
Che cosa ha effettivamente misurato Andon Labs
Blueprint-Bench 2 sottopone un agente a cinquanta appartamenti, uno dopo l'altro. Per ogni appartamento esamina circa venti fotografie degli interni e deve disegnare una piantina 2D: le stanze, quali stanze si collegano a quali e le loro dimensioni relative. Gli agenti portano con sé un blocco note persistente tra un appartamento e l'altro, così un modello può annotare ciò che ha imparato sui layout tipici — dove si trova di solito un corridoio, cosa implica un telaio di porta in un angolo — e usarlo nell'appartamento successivo. Quel blocco note è la parte del design che rende questa una valutazione per agenti anziché un test di visione, ed è il motivo per cui i punteggi separano i modelli di frontiera da quelli di fascia media in modo più netto di quanto farebbe un benchmark a immagine singola.
Il punteggio confronta il grafo di connettività del modello con la verità di riferimento, ponderando sei sotto-metriche: similarità di Jaccard sulle connessioni stanza-stanza al 50%, similarità dei gradi al 20%, densità del grafo al 10%, numero di stanze al 10%, numero di porte al 5% e orientamento al 5%. Le planimetrie vengono abbinate secondo la simmetria D4, quindi una planimetria ruotata o specchiata ottiene comunque un punteggio, e il valore composito è normalizzato in modo che una baseline casuale corrisponda a 0 e una planimetria perfetta a 1. Il peso del 50% su Jaccard riassume l'intero benchmark in una riga: la descrizione stessa di Andon afferma che ogni modello azzecca all'incirca il numero di stanze, intorno al 90%, e che il discriminante è se il modello riesce a capire quali stanze si aprono su quali. Contare le stanze dalle fotografie è facile. Ricostruire la topologia da una visita guidata non lo è.
Da quel progetto derivano due conseguenze. In primo luogo, l'output è una pianta 2D, non un modello 3D: il ragionamento spaziale è tridimensionale nel senso che l'agente deve inferire la disposizione di un piano da una sequenza di viste sovrapposte, ma nulla nella valutazione premia una ricostruzione corretta di altezza del soffitto, volume o arredi. In secondo luogo, il punteggio è un numero di similarità tra grafi, non una percentuale di accuratezza. Un 0,614 non significa che il modello abbia indovinato il 61% degli appartamenti; significa che i suoi grafi di connettività si collocano al 61,4% del percorso tra casuale e perfetto con quella ponderazione.
Lo 0,028 che separa un modello da una persona
Ecco la vetta della classifica così com'era il 20 novembre 2026, con le barre di errore standard che Andon traccia sul suo grafico ricavate dalla cifra pubblicata:
• GPT-6.2 Astra — 0.614, posizione 1, barra d'errore all'incirca da 0.601 a 0.627
Gemini 4 Carbon — 0,586, 2º posto a pari merito, barra di errore circa da 0,571 a 0,601
• Baseline umano — 0.586, 2° posto a pari merito, testato su 12 appartamenti, nessun intervallo pubblicato
• GPT-6.2 Sol — 0.570, posizione 4, barra di errore all'incirca da 0.558 a 0.584
• Claude Fable 5.2 — 0.566, posizione 5
• Gemini 4 Argon — 0.544, posizione 6
• Claude Opus 5.5 — 0.512, posizione 7
• GPT-6 Astra — 0.497, posizione 8

Tre cose meritano di essere evidenziate da quell'elenco. La prima è l'entità del margine, pari a 0,028 di punto su una scala in cui il caso vale 0 e la perfezione vale 1. La seconda è che la barra d'errore di Astra non scende fino a 0,586 — il limite inferiore della sua fascia è 0,601 — quindi il vantaggio rispetto al dato umano non rientra nel rumore del modello stesso. La terza è che il numero umano non ha alcuna fascia di incertezza, perché è stato calcolato su una dozzina di appartamenti in un compito da cinquanta appartamenti. Un punteggio umano su dodici appartamenti e un punteggio del modello su cinquanta non sono la stessa misura, e Andon lo dice chiaramente: la nota a piè di pagina della classifica recita «Baseline umana testata solo su un sottoinsieme di 12 appartamenti». Considera 0,586 come una stima di dove si colloca una persona, non come una linea di larghezza nota.
L'altra cosa che le barre d'errore mostrano è quanto sia sottile la vetta della classifica. Il baffo inferiore di Astra e il baffo superiore di Gemini 4 Carbon si incontrano esattamente a 0,601. Su questo benchmark, il primo posto e il secondo posto a pari merito sono separati da un solo contatto tra baffi, il che è un'affermazione diversa da "migliore di qualsiasi altra IA" e più difendibile. La didascalia del grafico di Andon stesso media la differenza in un modo degno di nota: etichetta la linea tratteggiata dell'umano "Human (0.59)" e poi scrive che GPT-6.2 Astra e Gemini 4 Carbon "ora la eguagliano", anche se la tabella colloca Astra 0,028 sopra di essa e Carbon esattamente su di essa. La tabella è l'elaborato più accurato. La didascalia è quella che è stata citata.
Due benchmark, una sola direzione
Un tabellone che supera una linea umana potrebbe essere un artefatto di valutazione. Il motivo per prendere sul serio il risultato è che una seconda valutazione 3D, costruita in modo indipendente, si è mossa nella stessa direzione nella stessa settimana. Artificial Analysis gestisce AA-3D, che è un compito del tutto diverso: i modelli operano come agenti in una sandbox offline tramite Stirrup e trasformano un brief scritto in una scena interattiva three.js, e la classifica deriva da voti ciechi a coppie espressi da un panel umano reclutato — oltre 20.000 voti sul tabellone attuale — anziché da un confronto tra grafi.
• GPT-6.2 Astra (Max) — 1.318 Elo, intervallo al 95% da 1.286 a 1.349, 1° posto
• Claude Fable 5.2 (Max) — 1.271 Elo, posizione 2
• GPT-6.2 Sol (Max) — 1.259 Elo, 3º posto
• Claude Sonnet 5.5 (Max) — 1.204 Elo, 4º posto
• Claude Opus 5.5 (Max) — 1.202 Elo, posizione 5
GPT-6 Astra (Max) — 1.168 Elo, intervallo al 95% da 1.141 a 1.196, posizione 6
Le due classifiche non concordano sulla parte centrale del campo — Claude Fable 5.2 è 5º in quella di Andon e 2º in quella di Artificial Analysis — e concordano del tutto sulla vetta. Astra è in testa, Sol è tra i primi tre e la generazione precedente si colloca circa 150 Elo più indietro. Il post di lancio di OpenAI stesso ha formulato l'affermazione AA-3D il 17 novembre con gli stessi tre numeri, e la classifica indipendente ora li mostra invariati, il che è il raro caso in cui un dato del fornitore e un dato di terzi sono lo stesso dato. Ciò non vale per il numero di Blueprint-Bench: OpenAI non ha detto nulla sulle planimetrie, e il punteggio è arrivato solo da Andon.

La convergenza è la tesi. Un benchmark di similarità tra grafi valutato dal codice e un benchmark Elo valutato tramite preferenze umane alla cieca sono tanto distanti quanto possono esserlo due valutazioni della "capacità spaziale", e classificano gli stessi tre modelli nello stesso ordine. Ciò che non dimostrano è che uno dei due misuri qualcosa che un team di robotica chiamerebbe intelligenza spaziale, il che ci porta alla riga più interessante della tabella di Andon.
Perché un modello di robotica ha ottenuto zero
Gemini Robotics-ER 1.6 ottiene 0,000 su Blueprint-Bench 2 — pari o inferiore alla baseline casuale, segnalato da Andon con un doppio asterisco. È il numero più utile della pagina. Un modello costruito specificamente per il ragionamento spaziale ed embodied, il tipo di strumento a cui ricorreresti se il compito fosse «comprendere uno spazio fisico», produce grafi di connettività non migliori del caso. Andon stesso lo segnala: la specializzazione spaziale non si trasferisce alla generazione di planimetrie.
Altri quattro modelli si collocano anch'essi sulla baseline casuale, e la forma di quel cluster ti dice cosa premia il benchmark. Ciò che premia è una specifica competenza composita: leggere una sequenza di fotografie, mantenere un'ipotesi coerente su una pianta ed emettere un piano rigorosamente formattato che un parser possa valutare. Un modello può essere eccellente nel ragionamento sullo spazio fisico e fallire comunque questo compito, perché la modalità di fallimento è di solito il formato dell'output o la coerenza su lungo orizzonte, non l'inferenza spaziale. Il che significa che «supera la baseline umana sulla comprensione fisica 3D» è un riassunto equo del punteggio e un riassunto leggermente generoso della competenza. La versione onesta è più ristretta: ricostruisce la connettività di un appartamento da fotografie in modo più accurato di quanto abbia fatto un campione umano di dodici appartamenti, su un benchmark che valuta la struttura del grafo e nient'altro.
Per chiunque il cui lavoro effettivo comporti planimetrie — acquisizione immobiliare, documentazione assicurativa, gestione delle strutture, digitalizzazione di planimetrie cartacee — quell'affermazione più circoscritta resta comunque quella utile, perché la struttura a grafo è esattamente ciò di cui quei flussi di lavoro hanno bisogno ed esattamente ciò che una pipeline PDF-to-CAD sbaglia. Per chiunque la legga come un'affermazione sui robot che navigano le stanze, la riga Robotics-ER è la correzione.
Quanto costa acquistare quel lead
GPT-6.2 Astra ha un prezzo di listino di 8 $ per milione di token di input, 0,40 $ per quelli in cache e 40 $ per milione di output, il 20% in meno rispetto a GPT-6 Astra in entrambe le direzioni del conteggio. Il modello che eguaglia la linea umana, Gemini 4 Carbon, ha un prezzo di listino di 2 $ e 10 $ — un quarto del prezzo di input di Astra e un quarto del suo prezzo di output. GPT-6.2 Sol, quarto nella classifica di Andon con 0,570 e terzo su AA-3D con 1.259 Elo, mantiene i prezzi dei token di GPT-6.1 Sol anziché quelli di Astra.
• Blueprint-Bench 2 — Gemini 4 Carbon 0,586 contro GPT-6.2 Astra 0,614
• Prezzo di input per 1M — Carbon $2,00 vs Astra $8,00
• Prezzo dell'output per 1M — Carbon $10,00 vs Astra $40,00
• AA-3D Elo — Carbon non presente in classifica contro Astra 1.318, posizione 1
• Dove si colloca ciascuno — Carbon eguaglia la linea umana, mentre Astra la supera di 0,028

Leggilo come una questione di prezzo e la risposta è scomoda per il modello di punta. Sull'unico benchmark in cui compaiono entrambi i modelli, un quinto del prezzo ti compra un pareggio con la baseline umana e una distanza minima dal primo posto. La giustificazione del prezzo di Astra non si basa sulle planimetrie; si basa sulle valutazioni del lavoro professionale nel post di lancio di OpenAI, dove è il modello con una finestra di contesto di 1.050.000 token e punteggi di frontiera su Agents' Last Exam e Terminal-Bench-Science. Se il tuo carico di lavoro consiste in fotografie di appartamenti e grafi di connettività, la differenza di prezzo è difficile da giustificare basandosi solo su questa classifica. Se il tuo carico di lavoro è un lungo insieme di documenti legali o scientifici, questo benchmark non dice nulla al riguardo in un senso o nell'altro.
Un'altra avvertenza sui costi: né Andon né Artificial Analysis pubblicano una cifra di costo per attività per Blueprint-Bench 2, e questo benchmark è insolitamente sensibile a tale costo. Cinquanta appartamenti con circa venti immagini ciascuno rappresentano un gran numero di token di input prima che il modello scriva una singola stanza, e un modello che raggiunge lo stesso punteggio del grafo con più turni del ciclo del blocco note costa di più per appartamento di quanto implichi il suo prezzo per token. Non interpretare i prezzi per token sopra riportati come una bolletta per appartamento; non lo sono.
Dove questo lascia una decisione di routing
La versione pratica di tutto questo è che "quale modello per il lavoro spaziale" è appena diventata una questione a due modelli con un divario di prezzo, e il livello di routing è dove il divario viene risolto. Gemini 4 Carbon è nel catalogo OrcaRouter al prezzo di listino con 0% di ricarico applicato, il che significa che i $2 e i $10 sopra sono ciò che paghi effettivamente per milione di token anziché una tariffa del fornitore con un margine della piattaforma aggiunto sopra. Questo conta qui in modo specifico perché il divario di costo tra il primo e il secondo a pari merito in questa classifica è di 4x, e un divario di 4x è il tipo di cosa che vuoi misurare sui tuoi progetti prima di standardizzare su uno dei due.
GPT-6.2 Astra non è nel nostro catalogo alla data del 20 novembre; i modelli OpenAI che serviamo sono GPT-6 Astra, che su questa classifica totalizza 0,497, e la linea GPT-6 Sol. Vale la pena dirlo chiaramente anziché lasciar intendere il contrario, perché cambia la raccomandazione: finché Astra non sarà instradabile qui, il modello del nostro catalogo che eguaglia la baseline umana è Carbon, e GPT-6 Astra si trova sulla stessa chiave se desideri lo stile di output di OpenAI a 10 $ e 50 $. Quando un modello e il suo rivale più economico arrivano su un unico endpoint, un test A/B sui tuoi appartamenti costa un cambio di chiave API anziché un secondo contratto, e il failover fa sì che un limite di richieste su uno non blocchi il batch.
Cosa cambierebbe questa lettura
Tre cose, in ordine di quanto sposterebbero la storia. La prima è una baseline umana più ampia. Dodici appartamenti sono un campione piccolo per un compito da cinquanta appartamenti, e se Andon pubblicasse un intervallo sul valore umano si chiarirebbe se 0,586 è una linea netta o una sbavatura: se la fascia umana andasse da 0,55 a 0,62, allora il vantaggio di Astra è reale ma il pareggio di Carbon no, e tutta la parte alta della classifica si rimescola. La seconda è una seconda esecuzione di GPT-6.2 Astra sulla stessa board. Il modello ha tre giorni; i numeri di Andon provengono da una sola campagna, e i benchmark con un ciclo con blocco note e un orizzonte di cinquanta appartamenti hanno più varianza da un'esecuzione all'altra rispetto a una valutazione single-shot, cosa a cui le barre di errore standard alludono ma che non riescono ad assorbire del tutto.
Il terzo è la pagina stessa. La sezione «Risultati principali» di Andon indica ancora GPT 5.5, Gemini 3.1 Pro e Claude Opus 4.7 come i tre modelli migliori, cosa vera a maggio 2026 e non aggiornata man mano che la tabella si è completata. Le loro analisi sul ragionamento spaziale citano ancora Gemini 3.1 Pro e GPT 5.5 alle prese con singoli appartamenti. La classifica è aggiornata; il testo che la circonda è un'istantanea di sei mesi fa. Leggi la tabella, non la sezione dei risultati, e leggi le barre d'errore sul grafico invece della didascalia che dice che due modelli sono alla pari su una linea sulla quale uno dei due è misurabilmente sopra.
Niente di tutto ciò rende il risultato sbagliato. GPT-6.2 Astra è il miglior modello su entrambe le valutazioni 3D indipendenti pubblicate questa settimana, con un margine che supera la propria barra d'errore su una di esse e di 47 Elo sull'altra, dove i due intervalli al 95% si sovrappongono ancora. È il primo modello a collocarsi in modo significativo sopra una stima umana su un benchmark in corso da maggio. L'affermazione è più piccola del tweet e più solida di una fuga di notizie, il che è la forma giusta per un risultato arrivato tre giorni dopo il modello.
Confrontati in questo articolo2
Rilevato da questo articolo · Benchmark: Artificial Analysis · aggiornato ogni giorno
