SKY-001: Skyfall AIのエンジニアリング・ワールドモデルが、コストでGPT-6 Astraを150倍上回り、精度でも0.6ポイント上回る

Skyfall AIは2026年10月19日にSKY-001を発表しました。そして繰り返し目にすることになる主張は、CADおよびBIM作業でGPT-6 AstraとClaude Opus 5.5を上回るというものです。その主張の根拠となる数字は、主張そのものより小さく、そしてより興味深いものです。ベンダー自身のCAD建設ベンチマークでは、SKY-001は79.7%のIoUを記録し、GPT-6 Astraは79.1%です。これは0.6ポイント差です。新しいアーキテクチャによるものではなく、異なるランダムシードから生じる種類の差です。差がまったく縮まっていないのは、その周辺のすべてです。1ケースあたり3.9秒対199秒、そして0.005ドル対0.75ドルです。精度は引き分けです。効率は一方的な圧勝です。Skyfall自身の資料は2点目を声高に示しており、しかも1か所では、意図せずして1点目を読者に代わって示しています。このようなリリースの背景にある、記録されたAIの障害やエージェントのインシデントは、OrcaRouter AI Incident Archiveに収集されています。各エントリには独自の情報源、重大度、信頼度グレード、異議ありフラグが付いています。

それらの数字があなたにとって意味を持つ前に、もう一つ知っておくべきことがある。SKY-001は呼び出せるものではない。研究プレビュー段階にあり、ウェイトリストの後ろに控えており、本格的な商用展開は2027年初頭を目標としている。APIも価格も重みもパラメータ数もライセンスもない。本稿で扱うのは、このローンチが実際に何を確立するのか、つまり見出しではなく表を読んだときにベンチマークがどこまで持ちこたえるのか、このモデルが本当に何を異なる形で行うのか、そして今日この能力を必要とするチームが待つのではなく何をすべきかだ。

Skyfallが実際に出荷したもの

Skyfall AIは、トロントに研究拠点を持つサンフランシスコの企業で、2017年にMicrosoftが買収した深層学習ラボMaluubaのチームによって設立された。Sam PasupalakがCEOを務め、Kaheer SulemanとSumit Pasupalakが共同創業者だ。同社は2026年7月にステルスモードから姿を現し、企業向けワールドモデル、最終的にはAIが運営する企業という異例の提案を掲げ、Fidelity、Touring Capital、M13、iNoviaの支援を受けている。SKY-001は同社初のモデルリリースであり、その構想を裏付ける最初の具体的な成果物だ。

一言で言えば：エンジニアリング設計は言語の問題ではないのだから、言語モデルで解こうとするのはやめよう。エンジンは何百もの部品に分解され、それらは何階層にも深く入れ子になり、それぞれが隣接する部品によって制約される。間取り図は壁、次にユニット、次に部屋、次にドアや設備という具合に、意味のある順序で描かれる。長い自己回帰的なテキストの連鎖を出力するモデルは、そのすべてを単一のコンテキストに保持しなければならず、連鎖が長くなるほど性能が悪化する。SKY-001は代わりに視覚の世界で、階層的に計画し、各階層が明示的なサブゴールを下の階層に渡す。

それを担うのは2つのコンポーネントです。Hierarchical Composerは、設計意図（画像、テキスト、または概要付きの建物外皮）を受け取り、設計全体を生成してから、レベルごとに分割し、各リーフを並列に洗練します。Construction World Modelは次に、各リーフを構築する視覚状態の順序付きシーケンスを予測します。すなわち、CADでは、連続する各ペアの間に2Dスケッチが描かれた3Dソリッド状態の連鎖、BIMでは、一筆ずつ描かれる平面図です。描画自体は2段階の拡散として実行されます。まずMatryoshka型オートエンコーダーによる圧縮潜在空間で粗いロールアウトを行い、次にフル解像度を復元するリファイナーを通します。どちらも拡散トランスフォーマーであり、どちらもトークンを予測しません。

そのアーキテクチャの規模は一切公開されていない。Skyfallが公開したのはデータであり、モデルではない。コンポーザー向けの20万点超の部品、ワールドモデル向けの60万件超の施工例、さらに約200万の図面状態を表す約3万5,000件の実在および合成間取り図である。CADデータは、階層が不整合で部品に名前がなく、構築履歴が欠落していた公開組立データセットから再構築された。SkyfallはエンジニアリングツールとLLM支援ワークフローを用いてそれらをリバースエンジニアリングし、トレーニングに使用する前に結果を検証した。データ規模の主張は本物だ。一般的な部品分解データセットであるPartVerseと比較すると、中央値のオブジェクトは6部品、99パーセンタイルは33部品である。Skyfallの中央値は288、99パーセンタイルは4,180だ。

CADベンチマークを正しく読み解く

CAD構築ベンチマークは、複雑なオブジェクトからサンプリングされた1,000個のコンポーネントで構成されている——Jaguar E-Type Roadster、FANUC ArcMate 100iB溶接アーム、Minitractor 4×4、Bell 222ヘリコプター、ジェットエンジン——それぞれに約100の作図ステップがあり、参照形状に対するIoUで採点される。5つの最先端モデルがこれで実行された。以下のすべての数値はSkyfallのものであり、Skyfall自身が動かしたモデル上でSkyfallによって生成された。

• ケースあたりの時間 — SKY-001 3.9秒、GPT-6 Astra 199秒、Gemini 4 253秒、Kimi K3 439秒、Qwen 3.8 Max 764秒、Grok 4.7 1,250秒で、完了は0件。

• ケースあたりのコスト — 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（出力なしの場合）。

• 品質（平均IoU） — 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 結果なし。

それが表の全体であり、もう一度読む価値がある。効率性の話は宣伝どおり強力だ。最高の競合より51倍高速で150倍安く、週1,000件の設計では、これが5ドルの明細項目と750ドルの明細項目の差になる。品質の話は互角だ。SKY-001、GPT-6 Astra、Gemini 4はいずれも首位で、互いに3ポイント以内に収まっている。その下の崩壊——34.4%、9.5%、出力なし——は、勝者についてというより、素朴なLLMプロンプティングが長い構築シーケンスでどれほどひどく失敗するかを物語っている。Grok 4.7が1,000件中0件しか完了しなかったことは、これらが長く壊れやすいロールアウトであり、このベンチマークがモデルにそもそも100ステップの間一貫性を保てるかを測っているという注意喚起だ。

コスト列に関する注意点が1つあります。Skyfallはケースあたりのコストを報告していますが、その背後にある会計処理は報告していません。それがAPIの定価なのか、レンタルGPU時間なのか、それとも償却済みのセルフホスト推論なのかによって、比較は大きく変わります — 特にSkyfallが呼び出したのではなく自ら実行したモデルの場合はそうです。比率は方向性として正しいと見なし、絶対額のドルは説明がつかないものとして扱ってください。

効率性に関する主張は、どのページを読むかによって変わる

Skyfallのローンチ資料は互いに一致しておらず、引用する予定なら知っておく価値があります。ローンチブログの見出しはCADケースあたり「約50倍の高速化と150分の1」となっており、そのグラフのラベルは51倍と150倍です。SKY-001製品ページの見出しは「3.9秒対199秒、49倍高速」および「0.005ドル対0.75ドル、コスト143分の1」です。プレスリリースには「100倍高速」「コスト150分の1」とあります。同じモデル、同じベンチマークで、同じ日に公開された3つの文書の間で速度倍率が4通り異なります。

計算でCADの件は決着する。199÷3.9は51.0、$0.75÷$0.005は150だ。ブログが正しく、他の2ページは丸められているか、古くなっているか、別の基準で計算されている——プレスリリースの100×はサイト上のどの数字とも整合しない。これはスキャンダルではない。ローンチページは異なる締切の下で別々の人が書くもので、誰も差分を確認しない。これは見出しではなく一次表を引用すべき理由であり、今週の報道で目にする倍率は、書き手が最初にどちらを読んだかに応じてどちらかの方向に誤っていると予想すべき理由でもある。

ランディングページには、ブログと一致しない2つ目の品質パネルも掲載されている。その3D CADチャートでは、SKY-001が76.1% IoUであるのに対し、GPT-6 Astraが73.4%、Claude Opus 5.5が61.8%、Gemini 3.8 Flashが45.9%、Qwen 3.8 Maxが26.6%、Kimi K3が6.5%となっている。ブログの建設ベンチマークでは79.7%対79.1%と示されている。タスクが異なればスコアも異なるのに、両方で同じモデル名——しかもAstraに対する優位幅は、どちらを取り上げるかによって0.6ポイントから2.7ポイントに変わる。このモデルの精度について議論するなら、ベンチマーク名を数値とともに示すべきだ。

BIM：リードは縮まり、Geminiがすぐ後ろに迫っている

BIMベンチマークは1,000枚のフロアプランで構成されています。内訳はIFC建築モデルから取得した約350枚のフロア全体と、650枚の住戸レベルのプランで、それぞれ20から200以上の作図ステップがあり、平均は約70ステップです。評価は完成したプランに対するIoUで行われます。

• プランごとの所要時間 — SKY-001 1.22秒、Kimi K3 113.9秒、GPT-6 Astra 144.6秒、Qwen 3.8 Max 255.3秒、Gemini 3.8 Flash 346.2秒、Grok 4.7 592.1秒。

• プランごとのコスト — 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。

• 品質（平均IoU） — 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%。

Astraと比較した119倍の速度と186倍のコストという数値は正確です。しかし品質列を見てください。Gemini 3.8 FlashはSKY-001より1.3ポイント劣り、Gemini 3.8 Flashはコストが91倍ですが、それでも1プラン22セントという絶対額では安価です。数千件のプランを作成する企業にとって重要な差は現実のものです。数十件のプランを作成する企業にとって重要な差は、ワークフローの変更に比べれば丸め誤差にすぎません。

そして絶対的な数字に目を向けてほしい。このベンチマークで最良のモデルは、Intersection-over-Union によって間取りの 43.6% を再構成する。それはベンダー自身の採点が率直に示している研究プレビュー品質の水準であり、「建築家を置き換える」水準ではない。そうした観点で読めば、今回の発表の本当の主張はツイートより狭く、かつ擁護しやすいものだ。専用設計された空間モデルが、大量生成と検索を実用的にする速度で長い建設シーケンスを計画できるようになり、比較対象となったフロンティア LLM に対して概ね人間ベンチマーク水準の忠実度を達成したということであって、建築設計を解決したというわけではない。

そのツイートが間違っていた点

「SKY-001がCADおよびBIMタスクでGPT-6 AstraとOpus 5.5を上回る」という位置づけは、その2つの比較のうち一方を過大に評価している。Claude Opus 5.5は、どちらの建設ベンチマークにも登場しない。それが登場するのは他所で2回ある。1つは、4つのモデルがそれぞれ1回のリクエストでアセンブリ全体用のBlenderスクリプトを書いた定性的な動画で、そこではSkyfall自身がGPT-6 Astraは他のフロンティアモデルより「はるかに先行していた」と述べている。もう1つは、SKY-001をAstraと比較して採点する2人のブラインドLLM審査員のうちの1人としてであり、GPT-6.1 Solと並んでいる。ランディングページの3D CADパネルには確かにOpus 5.5が61.8%で含まれており、Opus 5.5について数値が存在するのはそこだけである。

BIMにはOpus 5.5の行がそもそも存在しない。CADの施工表にもOpus 5.5の行はない。したがって、この主張を正直に言い表すとこうなる。SKY-001は精度ではGPT-6 Astraとほぼ同等でありながら、時間とコストはそのごく一部で済み、実行されたフロンティアモデル——Gemini、Qwen、Kimiを含む——を、タスクが長くなるほど広がる差で上回る。この文のOpusの部分は、ベンチマークではなく、ビデオデモと審査員席から引き継がれたものだ。

コンポーザー比較には独自の注意書きが必要だ。なぜなら、それは2つの結果のうちより弱い方だからだ。Skyfallは、同じ入力写真に対して、SKY-001をGPT-6 Astra、Claude Opus 5.5、Claude Fable 5.1と比較し、各LLMには1回のリクエストでアセンブリ全体のBlenderスクリプトを書かせた。2名のブラインドLLM審査員がレンダーを5つの次元で1～10点に採点し、SKY-001は5部門中4部門を制した——部品分解は7.8対6.4、内装は7.3対6.3、複雑さは8.0対7.3、入力画像との一致は8.1対6.7、外観リアリズムは7.7対7.4。注意点はSkyfall自身の脚注にある。審査員はLLMであり、設定は競合他社にツールも反復もなしのワンショットプロンプティングで、GPT-6 Astraはアセットのわずか82%でしかモデルを返さなかった——つまり、セットの18%ではSKY-001は何もない相手と競っていた。単一リクエストのBlenderスクリプトは、フロンティアLLMを3Dアセンブリで実行するには、意図的に不利な方法だ。だからといって結果が誤りになるわけではない。それは、専用設計のパイプラインと既製プロンプトの比較になるのであり、まさに構築ベンチマークもそうである。

エンジニアリングソフトウェアを実際に開発する場合、これが意味するもの

興味深い主張は、ベンチマークの差ではない。それは、階層的な空間世界モデルが、5段階の組み立てと数千の部品にまたがる100ステップの建設計画をそもそもまとまりとして保持でき、幾何学的重なりにおいて最先端LLMと1ポイント以内のスコアを出すものを生成できるということだ。これが独立したテストで持ちこたえるなら、実用的な帰結は置き換えではなく探索に関するものだ。設計のロールアウトが75セントと3分ではなく0.5セントと4秒で済むなら、千の変種を生成して1つを選べる。それは、一つの設計をゆっくり生成するモデルとは別の製品だ。

Skyfallが次に来ると述べている部分も同じ方向を指している。CADスケッチは、編集可能なフィーチャ履歴を持つ実行可能なパラメトリック操作になり、設計者はブラケットを広げるよう指示すると、変更が必要な隣接部品もそれに追従するようになる。BIM出力は図面ではなく、編集可能な建築モデル内の壁、扉、窓、部屋になる。さらに、PCBレイアウトやその他のハードウェアも同様だ。これらはロードマップ上の表明であり、出荷済みの機能ではなく、リサーチプレビューにはいずれも含まれていない。

また、モデルリリースなら通常答えるはずの問いに、このリリースは答えていない。パラメータ数はない。アーキテクチャ論文もない。重みもライセンスもセルフホスティング手段もない。チャットモデルではないので、コンテキストウィンドウもない。公開された評価ハーネスもないため、自分の環境でベンチマークを再実行する方法もない。そして独立した測定もない。Artificial Analysis、LMArena、および通常の第三者ボードにSKY-001の項目はなく、これは一日だけ公開されていて呼び出すこともできないモデルとしては驚くことではない。この記事のすべての数値はベンダー報告であり再現されておらず、ベンダー自身のページ同士でも、見出しの速度倍率について最大2倍食い違っている。数値が構築判断で重要な根拠になる前に待つべきは、独立した再現だ。

今四半期にこの機能が必要なら

SKY-001を手に入れることはできません。製品ページではウェイトリストが案内されており、プレスリリースでは商用展開の全面開始は2027年初頭を目標とすると述べられ、挙げられている唯一の統合は、出荷済みのコネクタではなくAutodesk Fusion内でのデモンストレーションです。ここには、それを中心に2026年のパイプラインを計画する理由は何もありません。

手に入るのは、それがベンチマークされたモデルです。GPT-6 Astra は OrcaRouter 上でopenai/gpt-6-astraとしてルーティングされており、OpenAI の定価は入力トークン100万あたり$10.00、出力トークン100万あたり$50.00、コンテキストウィンドウは1.05Mトークンですマークアップ0%でパススルーされるため、OpenAI が料金を変更すれば、マージンの再計算を待つことなく当日にここの料金も変わります。Artificial Analysis Intelligence Index は54.7、Coding Index は76.9、Agentic Index は51.6で、これは SKY-001 が持たない独立した指標です。

それはまた、未検証のモデルを視野に入れつつ、本番経路をそれに賭けずに済ませる賢明な方法でもある。SKY-001が実際にAPIに到達するとき——現行計画では2027年初頭、そしてSkyfallが直接販売する前にパートナー経由となる可能性もある——に実行する価値があるテストは、1,000部品のベンチマークではなく、あなた自身の部品だ。それまでは、まだ評価していないモデルがあっても機能し続けるルーティングパターンは地味なものだ：呼び出しを1つのエンドポイントに保ち、その背後にフォールバックチェーンを置き、プロバイダーが遅いときや、あるモデルが最良の答えではなくなったときに、ルーターがトラフィックを移すようにする。OrcaRouterのフェイルオーバーが存在するのはまさに、新しいモデルは測定された結果に基づいて本番トラフィックを獲得すべきであり、Skyfallの外部では誰もSKY-001を測定していないからだ。

何を観るべきか

これを強力なベンダーデモから意思決定につながるものに変える要素は3つある。第一に、公開ハーネスでの独立評価だ。建設ベンチマークはSkyfall自身のもので、Skyfallが定義しており、公開されたタスクセットはない。また0.6ポイントのCAD差は、別の採点方式なら逆転し得る範囲に十分収まっている。第二に、商業形態だ。2027年初頭に、設計ごとの価格を付けたAPIとして登場するのか、買い手がすでに作業しているCADおよびBIMツール内のプラグインとして登場するのか、それとも開発者ではなく企業に販売する企業ライセンスとして登場するのか。Autodesk Fusionへの言及は2番目を示唆しており、そうなればSKY-001は呼び出すモデルではなく、すでに所有している設計ソフトの機能になる。第三に、その階層構造がCADとBIMを超え、Skyfallが次に挙げるPCBおよびハードウェア作業に一般化するかどうかだ。これは、優位性がトレーニングデータではなくアーキテクチャにあるという主張そのものである。

今のところ、正確に言える要約は限定的だ。Skyfall AIは最初の信頼に足るエンジニアリング・ワールドモデルを提供した。そして実際に優位に立っているのは設計あたりの速度とコストであり、その差は1〜2桁。精度はフロンティアに並ぶもので、凌駕するものではない。それは真に新しい能力であり、物理設計に対するLLMアプローチへの本気の戦略的賭けだ。だが現時点では、ウェイトリストページとベンダーによるベンチマークでもある——そして、それがそれ以上の存在かどうかを決めるのは150倍ではなく、0.6ポイントという数字だ。