SKY-001: Mô hình Thế giới Kỹ thuật của Skyfall AI đánh bại GPT-6 Astra về chi phí 150 lần — và về độ chính xác 0,6 điểm

Skyfall AI đã công bố SKY-001 vào ngày 19 tháng 10 năm 2026, và tuyên bố mà bạn sẽ thấy được lặp đi lặp lại là nó vượt trội GPT-6 Astra và Claude Opus 5.5 trong công việc CAD và BIM. Con số nằm dưới tuyên bố đó nhỏ hơn và thú vị hơn chính tuyên bố. Trên bộ đánh giá xây dựng CAD của chính nhà cung cấp, SKY-001 đạt 79,7% IoU so với 79,1% của GPT-6 Astra. Đó là sáu phần mười điểm — kiểu chênh lệch bạn có được từ một hạt giống ngẫu nhiên khác, chứ không phải từ một kiến trúc mới. Điều không hề sát nút là mọi thứ xung quanh nó: 3,9 giây mỗi trường hợp so với 199, và 0,005 USD so với 0,75 USD. Độ chính xác là hòa. Hiệu quả là thắng áp đảo. Tài liệu của chính Skyfall nêu bật luận điểm thứ hai và, ở một chỗ, vô tình chứng minh luận điểm đầu tiên cho bạn. Những sự cố AI và sự cố tác nhân được ghi nhận đằng sau những bản phát hành như bản này được tập hợp trong the OrcaRouter AI Incident Archive nơi mỗi mục mang nguồn riêng, mức độ nghiêm trọng, cấp độ tin cậy và cờ tranh chấp.

Có điều thứ hai cần biết trước khi bất kỳ con số nào trong số đó có ý nghĩa với bạn: SKY-001 không phải thứ bạn có thể gọi. Nó đang ở giai đoạn bản xem trước nghiên cứu, nằm sau danh sách chờ, với mục tiêu triển khai thương mại đầy đủ vào đầu năm 2027. Không có API, không có giá, không có trọng số, không có số lượng tham số, không có giấy phép. Bài viết này nói về điều mà buổi ra mắt thực sự xác lập — các benchmark đứng vững ra sao khi bạn đọc bảng số liệu thay vì đọc tiêu đề, mô hình thực sự làm được điều gì khác biệt, và một đội ngũ cần năng lực này ngay hôm nay nên làm gì thay vì chờ đợi.

Skyfall thực sự đã phát hành những gì

Skyfall AI là công ty có trụ sở tại San Francisco với trung tâm nghiên cứu ở Toronto, được thành lập bởi đội ngũ đứng sau Maluuba, phòng thí nghiệm học sâu mà Microsoft đã mua lại vào năm 2017. Sam Pasupalak là CEO; Kaheer Suleman và Sumit Pasupalak là đồng sáng lập. Công ty ra khỏi chế độ hoạt động bí mật vào tháng 7 năm 2026 với một định hướng khác thường — mô hình thế giới dành cho doanh nghiệp, và cuối cùng là một công ty do AI vận hành — được hậu thuẫn bởi Fidelity, Touring Capital, M13 và iNovia. SKY-001 là bản phát hành mô hình đầu tiên của công ty và là sản phẩm cụ thể đầu tiên đằng sau luận điểm đó.

Lời chào hàng trong một câu: thiết kế kỹ thuật không phải là một bài toán ngôn ngữ, nên đừng giải nó bằng một mô hình ngôn ngữ. Một động cơ được chia thành hàng trăm bộ phận lồng nhau qua nhiều cấp, mỗi bộ phận bị ràng buộc bởi các bộ phận lân cận; một mặt bằng là tường, rồi đến các đơn vị, rồi đến phòng, rồi đến cửa và thiết bị cố định, được vẽ theo một thứ tự có ý nghĩa. Một mô hình phát ra một chuỗi văn bản tự hồi quy dài phải giữ tất cả điều đó trong một ngữ cảnh duy nhất và càng kém đi khi chuỗi dài ra. Thay vào đó, SKY-001 lập kế hoạch trong thế giới thị giác, theo một hệ thống phân cấp, với mỗi cấp giao một mục tiêu con rõ ràng cho cấp bên dưới.

Hai thành phần đảm nhận việc này. Hierarchical Composer nhận một ý đồ thiết kế — một hình ảnh, văn bản hoặc một vỏ bao công trình kèm bản mô tả tóm tắt — và tạo ra toàn bộ thiết kế, sau đó tách nó theo từng cấp, tinh chỉnh song song từng lá. Construction World Model sau đó dự đoán chuỗi có thứ tự các trạng thái thị giác để tạo dựng từng lá: trong CAD, một chuỗi trạng thái khối đặc 3D với bản phác thảo 2D được vẽ xen giữa mỗi cặp liên tiếp; trong BIM, một mặt bằng được vẽ từng nét một. Bản thân quá trình vẽ chạy dưới dạng khuếch tán qua hai lượt, một lượt triển khai thô trong không gian tiềm ẩn nén từ bộ tự mã hóa kiểu Matryoshka, sau đó là một bộ tinh chỉnh khôi phục độ phân giải đầy đủ. Cả hai đều là transformer khuếch tán; không bộ nào dự đoán token.

Không có thông tin công khai nào về quy mô của kiến trúc đó. Skyfall công bố dữ liệu của mình chứ không phải mô hình: hơn 200.000 bộ phận cho composer và hơn 600.000 ví dụ thi công cho mô hình thế giới, cùng khoảng 35.000 bản vẽ mặt bằng thật và tổng hợp đại diện cho khoảng hai triệu trạng thái bản vẽ. Dữ liệu CAD được tái dựng từ các bộ dữ liệu lắp ráp công khai có hệ thống phân cấp không nhất quán, các bộ phận không có tên và thiếu lịch sử thi công; Skyfall đã dịch ngược chúng bằng các công cụ kỹ thuật và quy trình có LLM hỗ trợ, rồi xác minh kết quả trước khi huấn luyện trên đó. Lập luận về quy mô dữ liệu là xác đáng: so với PartVerse, bộ dữ liệu phân tách bộ phận phổ biến, đối tượng trung vị có 6 bộ phận và phân vị thứ 99 có 33. Ở Skyfall, trung vị là 288 và phân vị thứ 99 là 4.180.

Hiểu đúng về benchmark CAD

Bộ đánh giá xây dựng CAD gồm 1.000 linh kiện được lấy mẫu từ các vật thể phức tạp — một Jaguar E-Type Roadster, một cánh tay hàn FANUC ArcMate 100iB, một Minitractor 4×4, một trực thăng Bell 222, một động cơ phản lực — mỗi vật thể mất khoảng 100 bước vẽ và được chấm điểm bằng IoU so với hình dạng tham chiếu. Năm mô hình tiên phong đã được chạy trên đó. Mọi con số dưới đây đều là của Skyfall, do Skyfall tạo ra, trên những mô hình do chính Skyfall vận hành.

• Thời gian mỗi trường hợp — SKY-001 3,9 giây; GPT-6 Astra 199 giây; Gemini 4 253 giây; Kimi K3 439 giây; Qwen 3.8 Max 764 giây; Grok 4.7 1.250 giây và không hoàn thành trường hợp nào.

• Chi phí mỗi trường hợp — 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 khi không có đầu ra.

• Chất lượng (IoU trung bình) — 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 không có kết quả.

Đó là toàn bộ bảng, và nó đáng để đọc lại lần hai. Câu chuyện về hiệu quả mạnh như được quảng bá: nhanh hơn 51× và rẻ hơn 150× so với đối thủ tốt nhất, mà với một nghìn thiết kế mỗi tuần thì đó là sự khác biệt giữa một mục chi phí $5 và một mục $750. Câu chuyện về chất lượng là một thế hòa. SKY-001, GPT-6 Astra và Gemini 4 đều nằm trong khoảng ba điểm so với nhau ở vị trí dẫn đầu; sự sụp đổ bên dưới chúng — 34,4%, 9,5%, không có đầu ra — nói nhiều hơn về việc cách nhắc lệnh LLM ngây thơ thất bại tệ đến mức nào ở các chuỗi xây dựng dài, hơn là nói về người thắng cuộc. Việc Grok 4.7 hoàn thành 0 trong 1.000 trường hợp là lời nhắc rằng đây là những lần rollout dài và dễ vỡ, và rằng bài đánh giá đang đo xem liệu một mô hình có thể duy trì mạch lạc trong 100 bước hay không.

Một lưu ý về cột chi phí: Skyfall báo cáo chi phí cho mỗi trường hợp nhưng không nêu cách hạch toán đằng sau con số đó. Việc đó là giá niêm yết API, thời gian GPU thuê, hay chi phí suy luận tự triển khai được phân bổ dần đều làm thay đổi đáng kể phép so sánh — đặc biệt với {{1}}các mô hình do Skyfall tự chạy thay vì gọi qua dịch vụ{{/1}}. Hãy coi các tỷ lệ là đúng về xu hướng và các con số đô-la tuyệt đối là chưa được giải thích.

Tuyên bố về hiệu quả thay đổi tùy vào trang bạn đọc.

Tài liệu ra mắt của Skyfall không khớp nhau, điều này đáng biết nếu bạn định trích dẫn chúng. Tiêu đề blog ra mắt ghi "nhanh hơn khoảng 50× và giảm 150 lần" cho mỗi trường hợp CAD, còn nhãn biểu đồ của blog ghi 51× và 150×. Tiêu đề trang sản phẩm SKY-001 ghi "3.9 s so với 199 s, nhanh hơn 49×" và "$0.005 so với $0.75, chi phí thấp hơn 143×". Thông cáo báo chí nói "nhanh hơn 100x" và "chi phí thấp hơn 150x". Cùng một mô hình, cùng một benchmark, bốn hệ số tốc độ khác nhau trên ba tài liệu được xuất bản cùng ngày.

Số học giải quyết trường hợp CAD: 199 chia cho 3,9 là 51,0, và $0,75 chia cho $0,005 là 150. Blog đúng, còn hai trang kia đã được làm tròn, lỗi thời hoặc được tính theo một mốc cơ sở khác — con số 100× trong thông cáo báo chí không thể dung hòa với bất kỳ con số nào trên trang web. Đây không phải là bê bối; các trang ra mắt được viết bởi những người khác nhau với thời hạn khác nhau và không ai so sánh đối chiếu chúng. Đó là lý do để trích dẫn bảng gốc thay vì tiêu đề, và để kỳ vọng rằng các hệ số nhân bạn thấy trong đưa tin tuần này sẽ sai theo hướng mà người viết tình cờ đọc trước.

Trang đích cũng báo cáo một bảng chất lượng thứ hai không khớp với blog. Biểu đồ CAD 3D của nó cho thấy SKY-001 đạt 76.1% IoU so với GPT-6 Astra 73.4%, Claude Opus 5.5 61.8%, Gemini 3.8 Flash 45.9%, Qwen 3.8 Max 26.6% và Kimi K3 6.5%. Bài kiểm chuẩn xây dựng của blog cho thấy 79.7% so với 79.1%. Nhiệm vụ khác, điểm khác, cùng tên mô hình ở cả hai — và khoảng cách so với Astra đi từ 0.6 điểm đến 2.7 tùy vào việc bạn chọn cái nào. Nếu bạn định tranh luận về độ chính xác của mô hình này, hãy nêu tên bài kiểm chuẩn kèm con số.

BIM: lợi thế mong manh hơn, và Gemini đang bám sát ngay phía sau

Bộ đánh giá chuẩn BIM gồm 1.000 bản vẽ mặt bằng — khoảng 350 toàn bộ tầng lấy từ các mô hình tòa nhà IFC và 650 ở cấp căn hộ — mỗi bản có từ 20 đến hơn 200 bước vẽ, trung bình khoảng 70, được chấm điểm bằng IoU trên bản vẽ hoàn chỉnh.

• Thời gian mỗi gói — SKY-001 1,22 giây; Kimi K3 113,9 giây; GPT-6 Astra 144,6 giây; Qwen 3.8 Max 255,3 giây; Gemini 3.8 Flash 346,2 giây; Grok 4.7 592,1 giây.

• Chi phí mỗi gói — 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.

• Chất lượng (IoU trung bình) — 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%.

Các con số 119× về tốc độ và 186× về chi phí so với Astra là chính xác. Nhưng hãy nhìn vào cột chất lượng: Gemini 3.8 Flash kém SKY-001 1,3 điểm, và Gemini 3.8 Flash có chi phí cao hơn 91× nhưng vẫn rẻ về mặt tuyệt đối, ở mức 22 cent một bản kế hoạch. Khoảng cách quan trọng đối với một công ty vẽ hàng nghìn bản kế hoạch là có thật; khoảng cách quan trọng đối với một công ty chỉ vẽ hàng chục bản là một sai số làm tròn khi đặt cạnh một thay đổi quy trình làm việc.

Và hãy nhìn vào con số tuyệt đối. Mô hình tốt nhất trên bộ điểm chuẩn này tái dựng 43,6% một mặt bằng bằng giao trên hợp (intersection-over-union). Đó là mức chất lượng của bản xem trước nghiên cứu, được chính nhà cung cấp nêu rõ qua cách chấm điểm của họ, chứ không phải mức “thay thế kiến trúc sư”. Đọc theo góc đó, tuyên bố thực sự của buổi ra mắt hẹp hơn và dễ bảo vệ hơn so với dòng tweet: một mô hình không gian được xây dựng chuyên biệt giờ đây lập kế hoạch cho các chuỗi thi công dài với tốc độ khiến việc tạo hàng loạt và tìm kiếm trở nên khả thi, đạt độ trung thực gần mức điểm chuẩn của con người so với các LLM tiên tiến mà nó được đem ra so sánh — chứ không phải rằng nó đã giải quyết được việc thiết kế công trình.

Tweet đã sai ở điểm nào

Cách diễn đạt rằng SKY-001 “vượt trội GPT-6 Astra và Opus 5.5 trên các tác vụ CAD và BIM” đã thổi phồng một trong hai so sánh đó. Claude Opus 5.5 không xuất hiện trong cả hai benchmark xây dựng. Nó xuất hiện hai lần ở những chỗ khác: trong một video định tính, nơi bốn mô hình mỗi mô hình viết một script Blender cho toàn bộ một cụm lắp ráp trong một yêu cầu duy nhất — ở đó chính Skyfall nói rằng GPT-6 Astra “vượt xa” các mô hình tiên phong còn lại — và với tư cách là một trong hai giám khảo LLM mù chấm điểm SKY-001 so với Astra, bên cạnh GPT-6.1 Sol. Bảng 3D CAD trên trang đích có đưa Opus 5.5 vào với 61,8%, và đó là nơi duy nhất tồn tại một con số dành cho nó.

Trên BIM hoàn toàn không có dòng Opus 5.5. Cũng không có dòng Opus 5.5 trong bảng thi công CAD. Vậy nên phiên bản trung thực của tuyên bố là: SKY-001 gần như ngang bằng GPT-6 Astra về độ chính xác với chỉ một phần nhỏ thời gian và chi phí, và đánh bại các mô hình tiên tiến được chạy — bao gồm Gemini, Qwen và Kimi — với mức chênh lệch tăng lên khi tác vụ dài hơn. Phần Opus trong câu được kế thừa từ một bản demo video và một vị trí giám khảo, chứ không phải từ một benchmark.

Phần so sánh composer cần có lưu ý riêng, vì đây là kết quả kém chắc chắn hơn trong hai kết quả. Skyfall đã chạy SKY-001 đối đầu với GPT-6 Astra, Claude Opus 5.5 và Claude Fable 5.1 trên cùng các bức ảnh đầu vào, với mỗi LLM viết một script Blender cho toàn bộ cụm lắp ghép trong một yêu cầu. Hai giám khảo LLM mù đã chấm điểm các bản render từ 1 đến 10 trên năm khía cạnh, và SKY-001 thắng bốn trong năm — phân rã bộ phận 7,8 so với 6,4, nội thất 7,3 so với 6,3, độ phức tạp 8,0 so với 7,3, độ khớp với ảnh đầu vào 8,1 so với 6,7, độ chân thực ngoại thất 7,7 so với 7,4. Những lưu ý nằm trong chính chú thích của Skyfall: giám khảo là các LLM, cách thiết lập là one-shot prompting không có công cụ hay lặp lại cho các đối thủ, và GPT-6 Astra chỉ trả về mô hình cho 82% asset — nên ở 18% bộ dữ liệu, SKY-001 không phải cạnh tranh với gì cả. Một script Blender trong một yêu cầu là cách cố ý làm khó để chạy một LLM tiên phong cho bài toán lắp ghép 3D. Điều đó không làm kết quả thành sai; nó biến kết quả thành so sánh giữa một pipeline được xây dựng có mục đích và một prompt có sẵn, mà các benchmark xây dựng cũng chính xác là như vậy.

Điều này có nghĩa là gì nếu bạn thực sự phát triển phần mềm kỹ thuật

Tuyên bố đáng chú ý không phải là khoảng cách trên benchmark. Mà là một mô hình thế giới không gian phân cấp có thể giữ được một kế hoạch thi công 100 bước xuyên suốt, qua năm cấp độ lắp ráp và hàng nghìn bộ phận, và tạo ra thứ đạt điểm trong vòng một điểm so với một LLM tiên phong về độ chồng lấn hình học. Nếu điều đó đứng vững dưới kiểm thử độc lập, hệ quả thực tiễn là về tìm kiếm chứ không phải thay thế: khi một lần triển khai thiết kế tốn nửa xu và bốn giây thay vì 75 xu và ba phút, bạn có thể tạo ra một nghìn biến thể và chọn một. Đó là một sản phẩm khác với một mô hình tạo ra một thiết kế một cách chậm rãi.

Những phần mà Skyfall nói sẽ đến tiếp theo cũng chỉ về cùng một hướng. Các bản phác thảo CAD sẽ trở thành các thao tác tham số có thể thực thi với lịch sử tính năng có thể chỉnh sửa, nhờ đó nhà thiết kế có thể yêu cầu mở rộng một giá đỡ và các bộ phận lân cận buộc phải thay đổi sẽ thay đổi theo. Đầu ra BIM sẽ trở thành tường, cửa, cửa sổ và phòng trong một mô hình tòa nhà có thể chỉnh sửa thay vì một bản vẽ. Xa hơn nữa là bố cục PCB và các phần cứng khác. Đó là những tuyên bố trong lộ trình, không phải tính năng đã phát hành, và bản xem trước nghiên cứu không chứa bất kỳ tính năng nào trong số đó.

Vẫn còn những câu hỏi mà một bản phát hành mô hình thường trả lời, còn bản này thì không. Không có số lượng tham số. Không có bài báo kiến trúc. Không có trọng số, không có giấy phép, không có đường tự triển khai. Không có cửa sổ ngữ cảnh, vì đây không phải mô hình trò chuyện. Không có bộ khung đánh giá nào được công bố, nên không có cách nào chạy lại benchmark trên phần cứng của chính bạn. Và không có đo lường độc lập: Artificial Analysis, LMArena và các bảng bên thứ ba thông thường không có mục SKY-001, điều này không đáng ngạc nhiên với một mô hình mới công khai được một ngày và không thể gọi được. Mọi con số trong bài này đều do nhà cung cấp báo cáo và chưa được tái lập, và chính các trang của nhà cung cấp mâu thuẫn với nhau tới 2× ở hệ số tốc độ nổi bật. Tái lập độc lập là điều cần chờ đợi trước khi các con số trở thành yếu tố then chốt trong một quyết định xây dựng.

Nếu bạn cần năng lực này trong quý này

Bạn không thể có SKY-001. Trang sản phẩm có danh sách chờ, thông cáo báo chí nói rằng việc triển khai thương mại đầy đủ dự kiến vào đầu năm 2027, và tích hợp duy nhất được nêu tên là bản trình diễn bên trong Autodesk Fusion chứ không phải một connector đã phát hành. Không có gì ở đây là lý do để lập kế hoạch pipeline năm 2026 dựa vào nó.

Điều bạn có thể có chính là mô hình mà nó được đánh giá so sánh với. GPT-6 Astra được định tuyến trên OrcaRouter với tên openai/gpt-6-astra, theo giá niêm yết của OpenAI là 10,00 USD mỗi triệu token đầu vào và 50,00 USD mỗi triệu token đầu ra, với cửa sổ ngữ cảnh 1,05 triệu token, được chuyển nguyên giá với mức phụ phí 0% — vì vậy nếu OpenAI thay đổi mức giá, giá tại đây cũng thay đổi ngay trong cùng ngày chứ không phải sau khi tính toán lại biên lợi nhuận. Mô hình này có Chỉ số Trí tuệ Artificial Analysis là 54,7, Chỉ số Lập trình là 76,9 và Chỉ số Tác tử là 51,6, đây chính là con số độc lập mà SKY-001 không có.

Đó cũng là cách hợp lý để theo dõi một mô hình chưa được chứng minh mà không đặt cược đường đi sản xuất vào nó. Khi SKY-001 thực sự đến được API — đầu năm 2027 theo kế hoạch hiện tại, và có thể thông qua một đối tác trước khi Skyfall bán trực tiếp — phép thử đáng chạy là các bộ phận của chính bạn, không phải một benchmark 1.000 thành phần. Cho đến lúc đó, mẫu định tuyến vẫn tồn tại với một mô hình bạn chưa đánh giá là mẫu nhàm chán: giữ lệnh gọi trong một endpoint, đặt một chuỗi dự phòng phía sau nó, và để bộ định tuyến chuyển lưu lượng khi một nhà cung cấp chậm hoặc một mô hình không còn là câu trả lời tốt nhất. Failover của OrcaRouter tồn tại chính xác vì một mô hình mới nên giành được lưu lượng sản xuất dựa trên kết quả đo được, và chưa ai đo SKY-001 bên ngoài Skyfall.

Xem gì

Ba điều sẽ biến đây từ một bản demo ấn tượng của nhà cung cấp thành một quyết định. Thứ nhất, một đánh giá độc lập trên một harness công khai — benchmark xây dựng là của chính Skyfall, do Skyfall định nghĩa, không có bộ tác vụ nào được công bố, và khoảng cách 0,6 điểm trên CAD nằm gọn trong phạm vi mà một quy ước tính điểm khác có thể đảo ngược. Thứ hai, hình thức thương mại: liệu đầu năm 2027 nó sẽ ra mắt dưới dạng API tính giá theo từng thiết kế, dưới dạng plugin bên trong các công cụ CAD và BIM nơi người mua vốn đã làm việc, hay dưới dạng giấy phép doanh nghiệp bán cho các công ty thay vì cho nhà phát triển. Việc nhắc đến Autodesk Fusion gợi ý về lựa chọn thứ hai, điều này sẽ biến SKY-001 thành một tính năng của phần mềm thiết kế mà bạn đã sở hữu, thay vì một mô hình mà bạn gọi tới. Thứ ba, liệu hệ phân cấp có tổng quát hóa được vượt ra ngoài CAD và BIM sang công việc PCB và phần cứng mà Skyfall nhắc đến tiếp theo hay không — đó chính là tuyên bố rằng lợi thế nằm ở kiến trúc, chứ không phải ở dữ liệu huấn luyện.

Hiện tại, bản tóm tắt chính xác thì vẫn hẹp. Skyfall AI đã tung ra mô hình thế giới kỹ thuật đáng tin cậy đầu tiên, và điều nó thực sự thắng là tốc độ và chi phí trên mỗi thiết kế, nhanh và rẻ hơn từ một đến hai bậc độ lớn, với độ chính xác ngang ngửa các mô hình tiên phong chứ không vượt qua. Đó là một năng lực thực sự mới và một canh bạc chiến lược thực sự chống lại cách tiếp cận LLM đối với thiết kế vật lý. Hiện nay, nó cũng chỉ là một trang danh sách chờ và một phép đánh giá của nhà cung cấp — và 0,6 điểm, không phải 150×, mới là con số sẽ quyết định liệu nó có hơn thế hay không.