SKY-001: Skyfall AI:s ingenjörsvärldsmodell slår GPT-6 Astra med 150 gånger lägre kostnad – och med 0,6 poäng högre noggrannhet

Skyfall AI tillkännagav SKY-001 den 19 oktober 2026, och det påstående du kommer att se upprepas är att den överträffar GPT-6 Astra och Claude Opus 5.5 inom CAD- och BIM-arbete. Siffran bakom det påståendet är mindre och mer intressant än påståendet självt. På leverantörens egen benchmark för CAD-konstruktion får SKY-001 79,7 % IoU mot GPT-6 Astras 79,1 %. Det är sex tiondels procentenheter – den sorts gap man får av en annan slumptalsseed, inte av en ny arkitektur. Det som inte är nära är allt runtomkring: 3,9 sekunder per fall mot 199, och 0,005 USD mot 0,75 USD. Noggrannheten är ett dödläge. Effektiviteten är en utklassning. Skyfalls egna material framför den andra poängen högljutt och, på ett ställe, framför den första poängen åt dig utan att mena det. De dokumenterade AI-felen och agentincidenterna bakom lanseringar som denna samlas i OrcaRouter AI Incident Archive där varje post har sina egna källor, allvarlighetsgrad, tillförlitlighetsbetyg och flagga för omtvistad uppgift.

Det finns en andra sak att veta innan några av dessa siffror spelar någon roll för dig: SKY-001 är inte något du kan anropa. Det är i forskningsförhandsvisning, bakom en väntelista, med full kommersiell utrullning planerad till början av 2027. Inget API, ingen prissättning, inga vikter, inget parameterantal, ingen licens. Den här artikeln handlar om vad lanseringen faktiskt fastställer – hur benchmarkresultaten håller när man läser tabellen i stället för rubriken, vad modellen verkligen gör annorlunda och vad ett team som behöver den här förmågan i dag bör göra i stället för att vänta.

Vad Skyfall faktiskt levererade

{{1}}Skyfall AI{{/1}} är ett företag i San Francisco med ett forskningscenter i Toronto, grundat av teamet bakom {{2}}Maluuba{{/2}}, det djupinlärningslaboratorium som Microsoft förvärvade 2017. {{3}}Sam Pasupalak{{/3}} är vd; {{4}}Kaheer Suleman{{/4}} och {{5}}Sumit Pasupalak{{/5}} är medgrundare. Företaget klev fram ur stealth i juli 2026 med en ovanlig pitch – företagsvärldsmodeller och så småningom ett AI-drivet företag – med stöd från {{6}}Fidelity{{/6}}, {{7}}Touring Capital{{/7}}, {{8}}M13{{/8}} och {{9}}iNovia{{/9}}. {{10}}SKY-001{{/10}} är företagets första modellsläpp och den första konkreta artefakten bakom den tesen.

Pitchen i en mening: konstruktionsteknisk design är inte ett språkproblem, så sluta lösa det med en språkmodell. En motor består av hundratals delar som är nästlade flera nivåer djupt, där varje del begränsas av sina grannar; en planlösning är väggar, sedan enheter, sedan rum, sedan dörrar och inredning, ritade i en ordning som spelar roll. En modell som genererar en lång autoregressiv textkedja måste hålla allt detta i en enda kontext och blir sämre ju längre kedjan blir. SKY-001 planerar i stället i den visuella världen, i en hierarki, där varje nivå överlämnar ett explicit delmål till nivån under.

Två komponenter gör det. Hierarchical Composer tar en designavsikt – en bild, text eller ett byggnadsskal med en uppdragsbeskrivning – och genererar hela designen och delar sedan upp den nivå för nivå och förfinar varje löv parallellt. Construction World Model förutsäger sedan den ordnade sekvensen av visuella tillstånd som bygger upp varje löv: i CAD en kedja av 3D-solidtillstånd med 2D-skissen ritad mellan varje konsekutivt par; i BIM en planritning som ritas streck för streck. Själva ritningen körs som diffusion i två pass, en grov utrullning i ett komprimerat latent utrymme från en autoencoder i Matryoshka-stil, sedan en förfinare som återställer full upplösning. Båda är diffusionstransformers; ingen av dem förutsäger tokens.

Inget om den arkitekturen är offentligt storleksangivet. Skyfall offentliggjorde sin data, inte sin modell: mer än 200 000 delar för kompositören och över 600 000 konstruktionsexempel för världsmodellen, plus cirka 35 000 verkliga och syntetiska planlösningar som representerar ungefär två miljoner ritningstillstånd. CAD-datan byggdes om från offentliga sammansättningsdataset vars hierarkier var inkonsekventa och vars delar saknade namn, och där konstruktionshistorik saknades; Skyfall reverse-engineerade dem med ingenjörsverktyg och LLM-assisterade arbetsflöden och verifierade resultatet innan de tränade på det. Argumentet om dataskala är verkligt: jämfört med PartVerse, det vanliga datasetet för deluppdelning, har medianobjektet 6 delar och 99:e percentilen 33. Skyfalls median är 288 och dess 99:e percentil är 4 180.

Att läsa CAD-benchmarken ordentligt

CAD-konstruktionsbenchmarken består av 1 000 komponenter som samplats från komplexa objekt – en Jaguar E-Type Roadster, en FANUC ArcMate 100iB-svetsarm, en Minitractor 4×4, en Bell 222-helikopter, en jetmotor – där var och en kräver ungefär 100 ritsteg och poängsätts med IoU mot referensformen. Fem frontiermodeller kördes på den. Varje siffra nedan är Skyfalls, framtagen av Skyfall, på modeller som Skyfall själv körde.

• Tid per fall — 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 och slutförde inga.

• Kostnad per fall — 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 för ingen utdata.

• Kvalitet (genomsnittlig 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 inget resultat.

Det är hela tabellen, och den förtjänar en andra läsning. Effektivitetshistorien är lika stark som utlovat: 51× snabbare och 150× billigare än den bästa konkurrenten, vilket vid tusen designer i veckan är skillnaden mellan en rad på 5 $ och en på 750 $. Kvalitetshistorien är oavgjord. SKY-001, GPT-6 Astra och Gemini 4 landar alla inom tre poäng från varandra i toppen; kollapsen under dem – 34,4 %, 9,5 %, ingen utdata – säger mer om hur illa naiv LLM-promptning misslyckas vid långa konstruktionssekvenser än om vinnaren. Att Grok 4.7 slutför noll av 1 000 fall är en påminnelse om att dessa är långa, sköra utrullningar, och att benchmarken mäter huruvida en modell överhuvudtaget kan förbli sammanhängande i 100 steg.

En varning om kostnadskolumnen: Skyfall redovisar en kostnad per fall men inte redovisningen bakom den. Huruvida det är API-listpris, hyrd GPU-tid eller amorterad självhostad inferens förändrar jämförelsen avsevärt — särskilt för modeller som Skyfall körde själva i stället för att anropa. Betrakta kvoterna som i grova drag korrekta och de absoluta dollar-beloppen som oförklarade.

Effektivitetsanspråket ändras beroende på vilken sida du läser.

Skyfalls lanseringsmaterial stämmer inte överens med varandra, vilket är värt att veta om du planerar att citera dem. Lanseringsbloggens rubrik lyder "cirka 50× snabbare och 150 gånger mindre" per CAD-fall, och diagrammets etiketter anger 51× och 150×. Rubriken på produktsidan för SKY-001 lyder "3,9 s mot 199 s, 49× snabbare" och "0,005 $ mot 0,75 $, 143× lägre kostnad". Pressmeddelandet säger "100x snabbare" och "150x lägre kostnad". Samma modell, samma benchmark, fyra olika hastighetsmultiplikatorer i tre dokument som publicerades samma dag.

Aritmetiken avgör CAD-fallet: 199 delat med 3,9 är 51,0, och 0,75 $ delat med 0,005 $ är 150. Bloggen har rätt och de andra två sidorna är avrundade, inaktuella eller beräknade mot en annan bas – pressmeddelandets 100× går inte att förena med något nummer på webbplatsen. Detta är ingen skandal; lanseringssidor skrivs av olika personer med olika deadlines och ingen jämför dem. Det är ett skäl att citera primärtabellen, inte rubriken, och att förvänta sig att de multiplikatorer du ser i bevakningen den här veckan är fel i den riktning som skribenten råkade läsa först.

Landningssidan rapporterar också en andra kvalitetspanel som inte matchar bloggen. Dess 3D CAD-diagram visar SKY-001 på 76,1 % IoU mot GPT-6 Astra på 73,4 %, Claude Opus 5.5 på 61,8 %, Gemini 3.8 Flash på 45,9 %, Qwen 3.8 Max på 26,6 % och Kimi K3 på 6,5 %. Bloggens konstruktionsbenchmark visar 79,7 % mot 79,1 %. Olika uppgift, olika poäng, samma modellnamn på båda — och marginalen mot Astra går från 0,6 poäng till 2,7 beroende på vilken man väljer. Om du ska argumentera om den här modellens noggrannhet, ange benchmarkens namn tillsammans med siffran.

BIM: ett mindre försprång, och Gemini ligger tätt bakom

BIM-benchmarken är 1 000 planlösningar – cirka 350 hela våningar hämtade från IFC-byggmodeller och 650 på lägenhetsnivå – med 20 till över 200 ritsteg var, i genomsnitt runt 70, bedömt med IoU på den färdiga planlösningen.

• Tid per 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.

• Kostnad per 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 $.

• Kvalitet (medel-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 %.

Siffrorna för 119× hastighet och 186× kostnad gentemot Astra är korrekta. Men titta på kvalitetskolumnen: Gemini 3.8 Flash ligger 1,3 poäng efter SKY-001, och Gemini 3.8 Flash kostar 91× mer men är fortfarande billig i absoluta tal med 22 cent per plan. Klyftan som spelar roll för ett företag som tar fram tusentals planer är verklig; klyftan som spelar roll för ett företag som tar fram dussintals är ett avrundningsfel jämfört med en förändring i arbetsflödet.

Och titta på den absoluta siffran. Den bästa modellen på detta benchmark återkonstruerar 43,6 % av en planlösning enligt intersection-over-union. Det är en kvalitetsribba för forskningsförhandsvisning, tydligt angiven av leverantörens egen poängsättning, inte en ribba för att ”ersätta arkitekten”. Läst i det ljuset är lanseringens verkliga påstående snävare och mer försvarbart än tweeten: en specialbyggd rumslig modell planerar nu långa byggsekvenser i en hastighet som gör bulkgenerering och sökning praktiska, med en trohet mot de ledande LLM:er den jämfördes med som ungefär motsvarar mänsklig benchmarknivå – inte att den har löst byggnadsdesign.

Vad tweeten hade fel om

Inramningen att SKY-001 ”överträffar GPT-6 Astra och Opus 5.5 på CAD- och BIM-uppgifter” överdriver en av dessa två jämförelser. Claude Opus 5.5 förekommer inte i någon av de två konstruktionsbenchmarkarna. Den förekommer två gånger på andra håll: i en kvalitativ video där fyra modeller var och en skrev ett Blender-skript för en hel montering i en enda förfrågan – där Skyfall själva säger att GPT-6 Astra var ”långt före” de andra frontier-modellerna – och som en av de två blinda LLM-domarna som poängsätter SKY-001 mot Astra, tillsammans med GPT-6.1 Sol. Landningssidans 3D CAD-panel tar faktiskt med Opus 5.5 på 61,8 %, och det är den enda platsen där det finns en siffra för den.

På BIM finns det ingen Opus 5.5-rad alls. Det finns inte heller någon Opus 5.5-rad i CAD-konstruktionstabellen. Så den ärliga versionen av påståendet är: SKY-001 ligger ungefär jämnt med GPT-6 Astra i noggrannhet till en bråkdel av tiden och kostnaden, och slår de frontiermodeller som kördes – vilka inkluderade Gemini, Qwen och Kimi – med marginaler som växer i takt med att uppgiften blir längre. Opus-delen av meningen är ärvd från en videodemo och en domarplats, inte från ett benchmark.

Composer-jämförelsen förtjänar ett eget förbehåll, eftersom den är den mjukare av de två resultaten. Skyfall lät SKY-001 tävla mot GPT-6 Astra, Claude Opus 5.5 och Claude Fable 5.1 på samma indatabilder, där varje LLM skrev ett Blender-skript för hela sammansättningen i en enda förfrågan. Två blinda LLM-domare betygsatte renderingarna från 1 till 10 i fem dimensioner, och SKY-001 vann fyra av fem – deluppdelning 7,8 till 6,4, interiör 7,3 till 6,3, komplexitet 8,0 till 7,3, överensstämmelse med indatabilden 8,1 till 6,7, exteriör realism 7,7 till 7,4. Förbehållen finns i Skyfalls egen fotnot: domarna är LLM:er, upplägget är one-shot-promptning utan verktyg eller iteration för konkurrenterna, och GPT-6 Astra returnerade en modell för endast 82 % av tillgångarna – så för 18 % av uppsättningen tävlade SKY-001 mot ingenting. Ett Blender-skript i en enda förfrågan är ett medvetet ofördelaktigt sätt att köra en frontier-LLM på 3D-sammansättning. Det gör inte resultatet falskt; det gör det till en jämförelse mellan en specialbyggd pipeline och en färdig prompt, vilket är exakt vad konstruktionsbenchmarkarna också är.

Vad detta innebär om du faktiskt bygger ingenjörsprogramvara

Det intressanta påståendet är inte benchmarkmarginalen. Det är att en hierarkisk rumslig världsmodell överhuvudtaget kan hålla ihop en 100-stegs konstruktionsplan, över fem monteringsnivåer och tusentals delar, och producera något som ligger inom en poäng från en LLM i framkant i geometrisk överlappning. Om det håller vid oberoende testning handlar de praktiska konsekvenserna om sökning snarare än ersättning: när en designutrullning kostar en halv cent och fyra sekunder i stället för 75 cent och tre minuter kan man generera tusen varianter och välja en. Det är en annan produkt än en modell som långsamt producerar en design.

Det Skyfall säger kommer härnäst pekar i samma riktning. CAD-skisser skulle bli körbara parametriska operationer med en redigerbar funktionshistorik, så att en formgivare skulle kunna begära att ett fäste breddas och få de närliggande delar som måste ändras att följa med. BIM-utdata skulle bli väggar, dörrar, fönster och rum i en redigerbar byggnadsmodell i stället för en ritning. Utöver det, PCB-layout och annan hårdvara. Det är uttalanden om färdplanen, inte levererade funktioner, och forskningsförhandsvisningen innehåller inga av dem.

Det finns också frågor som en modelllansering vanligtvis besvarar men som den här inte besvarar. Inget parameterantal. Ingen arkitekturartikel. Inga vikter, ingen licens, ingen väg för egen hosting. Inget kontextfönster, eftersom det inte är en chattmodell. Ingen publicerad utvärderingsram, så det finns inget sätt att köra om benchmarken på egna delar. Och ingen oberoende mätning: Artificial Analysis, LMArena och de vanliga tredjepartstavlorna har ingen SKY-001-post, vilket inte är förvånande för en modell som varit offentlig i en dag och inte kan anropas. Varje siffra i den här artikeln är angiven av leverantören och inte reproducerad, och leverantörens egna sidor motsäger varandra med upp till 2× gällande den framhävda hastighetsmultiplikatorn. Oberoende replikering är det man bör vänta på innan siffrorna blir bärande i ett byggbeslut.

Om du behöver den här funktionen det här kvartalet

Det går inte att få SKY-001. Produktsidan erbjuder en väntelista, pressmeddelandet säger att full kommersiell utrullning är planerad till början av 2027, och den enda integration som nämns är en demonstration i Autodesk Fusion snarare än en levererad connector. Inget av detta är ett skäl att planera en pipeline för 2026 kring den.

Det du kan få är den modell som den benchmarkades mot. GPT-6 Astra dirigeras på OrcaRouter som openai/gpt-6-astra, till OpenAIs listpriser på 10,00 USD per miljon input-tokens och 50,00 USD per miljon output-tokens med ett kontextfönster på 1,05 M tokens, vidarebefordrat med 0 % påslag — så om OpenAI ändrar priset ändras priset här samma dag i stället för efter en omräkning av marginalen. Den har ett Artificial Analysis Intelligence Index på 54,7, ett Coding Index på 76,9 och ett Agentic Index på 51,6, vilket är den oberoende siffra som SKY-001 inte har.

Det är också det sunda sättet att hålla en obeprövad modell under uppsikt utan att satsa en produktionsväg på den. När SKY-001 väl når ett API – tidigt 2027 enligt den nuvarande planen, och möjligen via en partner innan Skyfall säljer direkt – är testet som är värt att köra dina egna delar, inte ett benchmark med 1 000 komponenter. Fram till dess är det routningsmönster som överlever en modell du inte har utvärderat det tråkiga: behåll anropet i en enda endpoint, sätt en fallback-kedja bakom det, och låt routern flytta trafik när en leverantör är långsam eller en modell slutar vara det bästa svaret. OrcaRouters failover finns just för att en ny modell ska förtjäna produktionstrafik på uppmätta resultat, och ingen har mätt SKY-001 utanför Skyfall.

Vad du ska titta på

Tre saker skulle förvandla detta från ett starkt leverantörsdemo till ett beslut. För det första en oberoende utvärdering i en offentlig utvärderingsmiljö – konstruktionsbenchmarken är Skyfalls egen, definierad av Skyfall, utan någon publicerad uppgiftsuppsättning, och CAD-marginalen på 0,6 punkter ligger väl inom det intervall där en annan poängsättningskonvention skulle kunna vända resultatet. För det andra den kommersiella formen: om början av 2027 kommer som ett API med pris per design, som en plugin i CAD- och BIM-verktyg där köparen redan arbetar, eller som en företagslicens som säljs till företag snarare än utvecklare. Omnämnandet av Autodesk Fusion antyder det andra, vilket skulle göra SKY-001 till en funktion i designprogramvaran du redan äger i stället för en modell du anropar. För det tredje om hierarkin generaliseras bortom CAD och BIM till PCB- och hårdvaruarbetet som Skyfall nämner härnäst – det är påståendet att arkitekturen, inte träningsdatan, är fördelen.

För närvarande är den korrekta sammanfattningen snäv. Skyfall AI har lanserat den första trovärdiga världsmodellen för ingenjörsarbete, och det den faktiskt vinner på är hastighet och kostnad per design, med en till två storleksordningar, med en träffsäkerhet som ligger i nivå med frontlinjen snarare än slår den. Det är en genuint ny förmåga och en verklig strategisk satsning mot LLM-ansatsen för fysisk design. Det är också, i dag, en väntelistesida och ett benchmark från en leverantör – och det är de sex tiondels poängen, inte 150×, som är siffran som avgör om det är mer än så.