SKY-001：Skyfall AI 的工程世界模型在成本上以 150 倍优势击败 GPT-6 Astra——在准确率上领先 0.6 个百分点

Skyfall AI 于 2026 年 10 月 19 日发布了 SKY-001，而你会反复看到的一种说法是：它在 CAD 和 BIM 工作上优于 GPT-6 Astra 和 Claude Opus 5.5。这一说法背后的数字比说法本身更小，也更有意思。在厂商自己的 CAD 建造基准测试中，SKY-001 的得分为 79.7% IoU，而 GPT-6 Astra 为 79.1%。这只是 0.6 个百分点——这种差距来自不同的随机种子，而不是新架构。真正拉开差距的是它周围的一切：每个案例 3.9 秒对 199 秒，以及 0.005 美元对 0.75 美元。准确率打平，效率则是碾压。Skyfall 自己的材料大声强调了第二点，并且在一个地方无意中替你说明了第一点。 像此次发布这样的版本背后有记录的 AI 故障和智能体事件，均收录在 the OrcaRouter AI Incident Archive，其中每条记录都附带各自的来源、严重程度、置信等级和争议标记。

在你还没把这些数字当回事之前，还有第二件事需要了解：SKY-001 并不是你能直接调用的东西。它目前处于研究预览阶段，需要排队等候，全面商业化部署的目标时间是 2027 年初。没有 API，没有定价，没有权重，没有参数规模，也没有许可证。这篇文章要讲的是，这次发布究竟确立了哪些事实——当你去读表格而不是只看标题时，那些基准测试成绩还站不站得住；这个模型真正与众不同的地方在哪里；以及一个今天就需要这种能力的团队，与其干等，不如做些什么。

Skyfall 实际交付了什么

Skyfall AI 是一家总部位于旧金山、并在多伦多设有研究中心的公司，由 Maluuba 背后的团队创立；Maluuba 是微软于 2017 年收购的深度学习实验室。Sam Pasupalak 是 CEO；Kaheer Suleman 和 Sumit Pasupalak 是联合创始人。该公司于 2026 年 7 月走出隐身模式，提出了一个不同寻常的愿景——企业级世界模型，并最终打造一家由 AI 运营的公司——并获得 Fidelity、Touring Capital、M13 和 iNovia 的支持。SKY-001 是其首个模型发布，也是这一论点背后的首个具体成果。

一句话概括：工程设计不是一个语言问题，所以别再拿语言模型去解它。一台发动机可拆成数百个零件，嵌套达数层之深，每个零件都受其相邻零件约束；一张平面图则是墙体，再是单元，再是房间，再是门与固定设施，绘制顺序至关重要。一个以自回归方式吐出一长串文本的模型，必须把这一切都塞进单一上下文里，而且链条越长，表现越差。SKY-001 则不然：它在视觉世界里做规划，以层级方式进行，每一层都向下层交出一个明确的子目标。

这由两个组件完成。Hierarchical Composer 接收设计意图——一张图像、一段文本，或带有任务书的建筑围护结构——并生成完整设计，然后逐层拆分，并行细化每个叶节点。Construction World Model则预测用于构建每个叶节点的有序视觉状态序列：在 CAD 中，是一串 3D 实体状态，并在每对相邻状态之间绘制 2D 草图；在 BIM 中，是一张逐笔绘制的楼层平面图。绘图本身以两遍扩散方式运行：先在由 Matryoshka 风格自编码器产生的压缩潜空间中进行粗略展开，再由精修器恢复全分辨率。两者都是扩散 Transformer；两者都不预测 token。

关于该架构的规模，没有任何公开信息。Skyfall 公开的是其数据，而非其模型：为 composer 提供了超过 20 万个部件，为世界模型提供了超过 60 万个建造示例，另有约 3.5 万份真实与合成平面图，代表约 200 万种绘图状态。这些 CAD 数据是从公开装配数据集重建而来；这些数据集的层级不一致、部件未命名，且缺少建造历史。Skyfall 借助工程工具和 LLM 辅助工作流对其进行了逆向工程，并在用于训练前验证了结果。数据规模上的论点确实成立：与常用的部件分解数据集 PartVerse 相比，其中位对象有 6 个部件，第 99 百分位为 33 个。Skyfall 的中位数是 288，第 99 百分位是 4,180。

正确解读 CAD 基准测试

CAD 构建基准包含 1,000 个组件，这些组件从复杂对象中采样而来——Jaguar E-Type Roadster、FANUC ArcMate 100iB 焊接臂、Minitractor 4×4、Bell 222 直升机、喷气发动机——每个对象大约需要 100 个绘图步骤，并通过与参考形状的 IoU 进行评分。有五个前沿模型在该基准上运行。下面的每个数字都来自 Skyfall，由 Skyfall 生成，基于 Skyfall 自己驱动的模型。

• 每个案例耗时 — 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，且未完成任何案例。

• 每案例成本 — 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（无输出时）。

• 质量（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 无结果。

这就是整张表，值得再读一遍。效率方面的表现与宣传的一样强：比最强竞争对手快 51 倍、便宜 150 倍；按每周一千个设计计算，这就是 5 美元一项与 750 美元一项的差别。质量方面则平分秋色。SKY-001、GPT-6 Astra 和 Gemini 4 在榜首彼此相差不到三分；它们下方的断崖——34.4%、9.5%、无输出——更能说明朴素的 LLM 提示在长构建序列上失败得有多严重，而不是说明赢家有多强。Grok 4.7 在 1,000 个案例中完成零个，这提醒人们：这些是漫长而脆弱的 rollout，而该基准衡量的是一款模型究竟能否在 100 步内保持连贯。

关于成本列有一点需要说明：Skyfall 会报告每个案例的成本，但不说明其背后的核算方式。这究竟是 API 标价、租用的 GPU 时间，还是摊销后的自托管推理成本，会显著改变比较结果——尤其是对 Skyfall 自己运行而非调用的模型而言。请将这些比率视为方向正确，而绝对美元金额则视为未作解释。

效率方面的说法会因你阅读的页面不同而变化。

Skyfall 的发布材料彼此不一致，如果你打算引用它们，这一点值得了解。发布博客的标题写着每个 CAD 案例“约 50× 加速、少 150 倍”，其图表标签则显示 51× 和 150×。SKY-001 产品页面的标题写着“3.9 s 对 199 s，快 49×”和“$0.005 对 $0.75，成本低 143×”。新闻稿称“快 100x”和“成本低 150x”。同一个模型、同一个基准，三份同日发布的文档却给出了四个不同的速度倍数。

算术就能把 CAD 这个案例说清楚：199 除以 3.9 等于 51.0，$0.75 除以 $0.005 等于 150。博客是对的，另外两个页面则是四舍五入过、已经过时，或者按不同基准计算——新闻稿里的 100× 与网站上的任何数字都对不上。这不是丑闻；发布页面由不同的人在 different deadlines 写成，也没人去比对它们。这恰恰说明应引用原始表格，而不是标题中的数字，并且要预料到本周报道中看到的倍数会是错的，至于错在哪个方向，取决于写作者碰巧先读到哪个数字。

落地页还报告了第二个质量面板，该面板与博客不符。其 3D CAD 图表显示，SKY-001 的 IoU 为 76.1%，对比 GPT-6 Astra 的 73.4%、Claude Opus 5.5 的 61.8%、Gemini 3.8 Flash 的 45.9%、Qwen 3.8 Max 的 26.6% 和 Kimi K3 的 6.5%。博客中的建造基准测试则显示为 79.7% 对 79.1%。任务不同、分数不同，但两者用的是同一个模型名称——而对 Astra 的领先优势会从 0.6 个百分点变为 2.7 个百分点，取决于你采用哪一个。如果你要争论这个模型的准确率，就请指明是哪个基准测试并给出数字。

BIM：领先优势收窄，Gemini 紧随其后

BIM 基准包含 1,000 张平面图——约 350 张取自 IFC 建筑模型的整层平面图，以及 650 张公寓级平面图——每张包含 20 到 200 多个绘图步骤，平均约 70 个步骤，并按最终完成平面图的 IoU 进行评分。

• 每个方案的用时 — 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。

• 每个计划的成本 — 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。

• 质量（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%。

与 Astra 相比，119 倍的速度和 186 倍的成本数据是准确的。但看看质量这一列：Gemini 3.8 Flash 落后 SKY-001 1.3 分，而且 Gemini 3.8 Flash 的成本高出 91 倍，但按每份方案 22 美分的绝对水平来看仍然便宜。对一家要绘制数千份方案的公司来说，这个差距是实实在在的；而对一家只绘制几十份方案的公司来说，与工作流程变革相比，这个差距不过是舍入误差。

再看看绝对数字。在这个基准上，最好的模型以交并比衡量能重建出 43.6% 的平面图。这是一个被厂商自己的评分直白说明的研究预览级质量门槛，而不是“取代建筑师”的门槛。这样看，这次发布真正的主张比那条推文更狭窄、也更站得住脚：一个专门构建的空间模型现在能以让批量生成和搜索变得可行的速度规划长施工序列，并且相对于它所对比的前沿大语言模型，保真度大致达到人类基准水平——而不是说它已经解决了建筑设计。

这条推文错在哪里

“SKY-001 在 CAD 和 BIM 任务上‘优于 GPT-6 Astra 和 Opus 5.5’”这一说法，夸大了这两项比较中的一项。Claude Opus 5.5 并未出现在这两项建筑基准测试中的任何一项里。它还在另外两处出现：一是在一个定性视频中，四个模型各自根据一次请求为整个装配体编写 Blender 脚本——Skyfall 自己也说 GPT-6 Astra 比其他前沿模型“遥遥领先”；二是作为两个盲评 LLM 评委之一，与 GPT-6.1 Sol 一起，在 SKY-001 与 Astra 的对比中打分。落地页的 3D CAD 面板确实列出了 Opus 5.5，为 61.8%，而这是唯一给出其数字的地方。

在 BIM 中根本没有 Opus 5.5 这一行。CAD 施工表里也没有 Opus 5.5 这一行。因此，对这一说法诚实的表述是：SKY-001 在准确率上大致与 GPT-6 Astra 持平，而耗时和成本仅为其一小部分，并且随着任务变长，以越来越大的优势击败了所运行的前沿模型——其中包括 Gemini、Qwen 和 Kimi。句子中 Opus 那部分来自一段视频演示和一个评委席位，而不是来自基准测试。

Composer 对比值得单独加一条限定说明，因为它是两个结果中较弱的那个。Skyfall 让 SKY-001 与 GPT-6 Astra、Claude Opus 5.5 和 Claude Fable 5.1 在相同输入照片上对比，每个 LLM 都在一次请求中为整个装配编写 Blender 脚本。两名盲评 LLM 裁判按五个维度以 1 到 10 分为渲染结果打分，SKY-001 在五项中拿下四项——部件分解 7.8 对 6.4，内部 7.3 对 6.3，复杂度 8.0 对 7.3，与输入图像的匹配度 8.1 对 6.7，外观真实感 7.7 对 7.4。限定说明就在 Skyfall 自己的脚注里：裁判是 LLM，设置是对竞争对手采用单次提示，没有工具或迭代，而且 GPT-6 Astra 只为 82% 的资产返回了模型——因此在 18% 的集合上，SKY-001 是在与空无竞争。用单次请求生成 Blender 脚本，是一种刻意不讨好的方式，用来让前沿 LLM 做 3D 装配。这并不会让结果变成假的；它只是让这成为专用流水线与现成提示词之间的比较，而构建基准也正是如此。

如果你真正开发工程软件，这意味着什么

真正有意思的并不是基准测试中的领先幅度，而是：一个分层空间世界模型竟然能把一项包含 100 个步骤的建造计划始终连贯地维持住，跨越五个装配层级和数千个零件，并最终生成一个在几何重叠度上与前沿 LLM 得分相差不到一个点的结果。如果这一点在独立测试中依然成立，那么实际影响就在于搜索，而非替代：当一次设计推演只需半美分、四秒钟，而不是 75 美分、三分钟时，你就可以生成上千个变体并从中挑选一个。这与一个缓慢生成单一设计的模型是截然不同的产品。

Skyfall 所说的后续部分也指向同一个方向。CAD 草图将变为可执行的参数化操作，并带有可编辑的特征历史，因此设计师可以要求加宽某个支架，并让必须随之改变的相邻零件跟着调整。BIM 输出将变成可编辑建筑模型中的墙体、门、窗和房间，而不是一张图纸。再往后，则是 PCB 布局和其他硬件。这些是路线图上的表述，并非已发布的功能，而研究预览版中不包含其中任何一项。

还有一些通常模型发布会会回答、而这次发布却没有回答的问题。没有参数规模。没有架构论文。没有权重，没有许可证，没有自托管途径。没有上下文窗口，因为它不是聊天模型。没有公开的评测框架，因此无法在你自己的部件上重新运行基准测试。也没有独立测量：Artificial Analysis、LMArena 以及常见的第三方榜单上都没有 SKY-001 的条目，对于一个已公开一天且无法调用的模型来说，这并不令人意外。本文中的每一个数字都由厂商自报且未经复现，而厂商自己的页面在宣传的速度倍数上彼此最多相差 2 倍。在让这些数字成为构建决策中的关键依据之前，需要等待的是独立复现。

如果你本季度需要这项能力

你无法获得 SKY-001。产品页面提供的是等候名单，新闻稿称全面商业部署的目标是 2027 年初，而唯一提到的集成是 Autodesk Fusion 内部的一项演示，并非已发布的连接器。这些都不足以成为围绕它规划 2026 年管线的理由。

你能获得的是它用来做基准测试对比的模型。GPT-6 Astra 在 OrcaRouter 上以 openai/gpt-6-astra 路由，采用 OpenAI 的标价：每百万输入 token 10.00 美元、每百万输出 token 50.00 美元，上下文窗口为 1.05M token，以 0% 加价透传——因此，如果 OpenAI 调整价格，这里的价格会在同一天变化，而不是等到重新计算利润率之后才变化。它的 Artificial Analysis Intelligence Index 为 54.7，Coding Index 为 76.9，Agentic Index 为 51.6，这是 SKY-001 所不具备的独立数值。

这也是在不把生产路径押在一个未经证实的模型上的同时，持续关注它的理智方式。当 SKY-001 真正接入 API 时——按当前计划是 2027 年初，而且可能在 Skyfall 直接销售之前先通过合作伙伴提供——值得运行的测试是你自己的零件，而不是 1,000 个组件的基准测试。在此之前，能经受住一个你尚未评估过的模型的路由模式，是那种乏味的做法：把调用保留在一个端点中，并在其后放置一条回退链，并让路由器在某个提供商变慢或某个模型不再是最佳答案时转移流量。OrcaRouter 的故障转移之所以存在，正是因为新模型应该凭借经过衡量的结果来赢得生产流量，而还没有人在 Skyfall 之外衡量过 SKY-001。

看什么

有三件事能让它从一次有力的供应商演示变成一项决策。第一，在公开评测框架上进行独立评估——建筑基准是 Skyfall 自己的，由 Skyfall 定义，没有公开的任务集，而 0.6 个百分点的 CAD 领先幅度完全落在换一种评分口径就可能翻转的范围内。第二，商业形态：2027 年初到来时，是以按每个设计计价的 API 形式，还是作为 CAD 和 BIM 工具内的插件（买家本来就在这些工具里工作），抑或是作为卖给企业而非开发者的企业许可。提到 Autodesk Fusion 暗示了第二种，那会使 SKY-001 成为你已拥有的设计软件的一个功能，而不是你去调用的一个模型。第三，这种层级结构能否从 CAD 和 BIM 推广到 Skyfall 接下来点名的 PCB 和硬件工作——那才是"优势在于架构、而非训练数据"这一主张。

目前，准确的总结仍很有限。Skyfall AI 已推出首个可信的工程世界模型，而它真正胜出的地方在于设计速度与单位设计成本，领先一到两个数量级，准确率则与前沿持平，而非超越。这是一种真正全新的能力，也是对物理设计领域 LLM 路线的一次实实在在的战略押注。但在今天，它同时只是一个候补名单页面和一份厂商基准测试——而决定它能否不止于此的数字，是那 0.6 分，而不是 150 倍。