
GPT-6.2 Astra 登上 Blueprint-Bench 2 榜首:人類基準線為十二間公寓
- Orca新OrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 每百萬 tokens · 185 tok/s
- tencent新Tencent: Hy4 Flash2026-11-16$0.02 / $0.07 每百萬 tokens · 826 tok/s
- Alibaba新Qwen: Qwen4 Max2026-11-16$1.50 / $4.50 每百萬 tokens · 407 tok/s
- Google新Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 每百萬 tokens · 87 tok/s
- Anthropic新Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 每百萬 tokens · 150 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 每百萬 tokens · 99 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 每百萬 tokens · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 每百萬 tokens · 83 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 每百萬 tokens · 120 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 每百萬 tokens · 108 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 每百萬 tokens · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百萬 tokens · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百萬 tokens · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447智能
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 每百萬 tokens · 212 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929智能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 每百萬 tokens · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733智能
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 每百萬 tokens · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740智能
GPT-6.2 Astra 在 Blueprint-Bench 2 上得分 0.614。同一排行榜上的人類基準是 0.586。這是實實在在的領先,但也是在 Andon Labs 根據十二間公寓計算出的人類數值上,所測得的 0.028 分。該結果於 2026 年 11 月 20 日登上 Andon 的評估頁面,並在同日上午被 Greg Brockman 放大傳播;他將其表述為 GPT-6.2 Astra「在實體 3D 理解基準上超越人類基準」。那句話的兩個半句都需要打點折扣,而本文要談的是哪些部分經得起檢驗。GPT-6.2 Astra、GPT-6.2 Sol 和 Gemini 4 Carbon 佔據 Andon 排行榜的前四名;對正在決定該怎麼稱呼它的讀者來說,這比新聞標題上的排名更重要。
基準本身並不新。Blueprint-Bench 2 自 2026 年 5 月起就一直在 Andon Labs 的網站上,並且已經持續收錄模型六個月;11 月 20 日改變的是,終於有一個模型以超過自身誤差範圍的幅度越過了人類基準線。所以這不是基準發布,也不是模型發布——OpenAI 在 2026 年 11 月 17 日、也就是分數出現的三天前,推出了 GPT-6.2 Astra。這是一個落在既有排行榜上的結果,而有趣的問題不是這個數字是否真實,而是這個數字在測量什麼,因為「physical 3D understanding」這個說法在推文裡承擔的作用,比這項評測在其自身方法論中所承擔的還多。
Andon Labs 實際測量了什麼
Blueprint-Bench 2 會讓一個代理接連處理五十間公寓。針對每間公寓,它會查看約二十張室內照片,並且必須畫出 2D 平面圖:房間、哪些房間彼此相連,以及它們的相對大小。代理在公寓之間會帶著一本可持續使用的筆記本,因此模型可以寫下它學到的典型格局——走廊通常位於何處、轉角的門框暗示什麼——並在下一個公寓案例中使用。那本筆記本正是這項設計中讓它成為代理評測而非視覺測試的部分,也是為什麼這些分數能比單一影像基準更清楚地區分前沿模型與中階模型。
評分會將模型的連通圖與真實基準比對,並以六個子指標加權:房間對房間連接的 Jaccard 相似度佔 50%、度相似度佔 20%、圖密度佔 10%、房間數佔 10%、門數佔 5%、方位佔 5%。平面圖會在 D4 對稱下進行匹配,因此旋轉或鏡像過的平面圖仍可計分;綜合分數會正規化,使隨機基準映射為 0,完美平面圖映射為 1。Jaccard 的 50% 權重一句話就概括了整個基準:Andon 自己的說明寫道,每個模型大致都能把房間數抓對,約 90%,而真正區分高下的是模型能否推斷出哪些房間通向哪些房間。從照片數房間很容易。從走訪導覽重建拓撲則不然。
該設計帶來兩個後果。第一,輸出是二維平面圖,而不是三維模型——所謂空間推理是三維的,是指代理必須從一連串重疊視圖推斷樓層格局,但評分機制並不會因為正確重建天花板高度、體積或家具而給予獎勵。第二,分數是圖形相似度數值,不是準確率百分比。0.614 並不代表模型正確判對了 61% 的公寓;而是代表其連通性圖在該加權方式下,位於從隨機到完美的 61.4% 位置。
區分模型與人的 0.028
以下是截至2026年11月20日的排行榜榜首,並附上 Andon 在其圖表上繪製的標準誤差條,數值讀自公布的數字:
• GPT-6.2 Astra — 0.614,排名第 1,誤差範圍約為 0.601 至 0.627
• Gemini 4 Carbon — 0.586,並列第 2 名,誤差範圍約為 0.571 至 0.601
• 人類基準 — 0.586,並列第 2 名,於 12 間公寓上測試,未公布區間
• GPT-6.2 Sol — 0.570,排名第 4,誤差範圍約為 0.558 至 0.584
• Claude Fable 5.2 — 0.566,排名第 5
• Gemini 4 Argon — 0.544,排名第 6
• Claude Opus 5.5 — 0.512,排名第 7
• GPT-6 Astra — 0.497,排名第 8

那份清單裡有三件事值得挑出來說。第一是領先幅度的大小:在隨機為 0、完美為 1 的尺度上,它是 0.028 分。第二是 Astra 的誤差線並未下探到 0.586——其區間下緣是 0.601——因此它領先人類分數的幅度,並不在模型自身的雜訊範圍內。第三是人類分數完全沒有不確定性區間,因為它只根據五十間公寓任務中的十二間公寓計算而來。十二間公寓的人類分數與五十間公寓的模型分數不是同一種測量,而 Andon 對此很坦率:排行榜註腳寫著「Human baseline tested on subset of 12 apartments only.」把 0.586 視為一個人會落在哪裡的估計值,而不是一條已知寬度的線。
誤差線還顯示出另一件事:榜首之間的差距有多小。Astra 的下鬚線與 Gemini 4 Carbon 的上鬚線正好在 0.601 相接。在這項基準測試中,第一名與並列第二隻相差一次鬚線相接,這和「比任何其他 AI 都更好」是不同的說法,也是更能站得住腳的說法。Andon 自己的圖表說明以一種值得注意的方式折衷了這個差異:它把虛線的人類基準線標為「Human (0.59)」,接著寫道 GPT-6.2 Astra 與 Gemini 4 Carbon「現在追平了它」,儘管表格顯示 Astra 高出它 0.028,而 Carbon 恰好落在它上面。表格是更嚴謹的成品。被引用的卻是圖說。
兩個基準,一個方向
單一排行榜超越人類基準線,可能只是評分假象。之所以要認真看待這個結果,是因為第二個獨立建構的 3D 評測在同一週出現相同走勢。Artificial Analysis 營運 AA-3D,而這完全是另一項任務:模型透過 Stirrup 在離線沙盒中作為代理運作,並把書面簡報轉成可互動的 three.js 場景;排名則來自招募而來的人類評審小組所進行的盲測成對投票——目前排行榜上超過 20,000 票——而不是來自圖形比較。
• GPT-6.2 Astra (Max) — 1,318 Elo,95% 信賴區間 1,286 至 1,349,排名第 1
• Claude Fable 5.2 (Max) — 1,271 Elo,排名第 2
• GPT-6.2 Sol(Max)— 1,259 Elo,排名第 3
• Claude Sonnet 5.5(Max)— 1,204 Elo,排名第 4
• Claude Opus 5.5 (Max) — 1,202 Elo,排名第 5
• GPT-6 Astra (Max) — 1,168 Elo,95% 區間 1,141 至 1,196,排名第 6
兩個排行榜對中段排名看法不一——Claude Fable 5.2 在 Andon 的排行榜上排名第 5,在 Artificial Analysis 的排行榜上排名第 2——但對頂端完全一致。Astra 領先,Sol 位居前三,而前一代則落後約 150 Elo。OpenAI 自己的發布文章在 11 月 17 日以同樣三個數字提出 AA-3D 的說法,而獨立排行榜現在顯示這些數字維持不變,這是廠商數字與第三方數字為同一數字的罕見情況。Blueprint-Bench 的數字則不是如此:OpenAI 對平面圖隻字未提,而該分數僅來自 Andon。

這種一致性本身就是論據。一個由程式碼評分的圖形相似度基準,和一個由盲測人類偏好評分的 Elo 基準,幾乎可說是對「空間能力」的兩種評估所能相差的極致,卻把同樣三個模型排在同一順序。它們未能證明的是,兩者之中有任何一個量測到的,是機器人團隊會稱之為空間智慧的東西;這就帶到 Andon 表格上最有趣的那一行。
為什麼機器人模型得了零分
Gemini Robotics-ER 1.6 在 Blueprint-Bench 2 上得分 0.000——等於或低於隨機基準,被 Andon 以雙星號標記。這是頁面上最有用的一個數字。一個專為空間與具身推理而建的模型,正是當任務是「理解一個物理空間」時你會傾向選用的那種模型,卻產生了並不比隨機更好的連通性圖。Andon 自己也指出了這一點:空間專業化並未轉移到平面圖生成上。
另外四個模型也同樣落在隨機基準線上,而這個叢集的形狀說明了這項基準測試獎勵的是什麼。它所獎勵的是一種特定的複合能力——讀取一連串照片、對某個樓層維持一致的假設,並輸出一個嚴格格式化、可供解析器評分的平面圖。一個模型可以在物理空間推理上表現優異,卻仍然在這項任務上失敗,因為失敗模式通常是輸出格式或長程一致性,而非空間推論。這意味著「在物理 3D 理解上超越人類基準」是對分數的合理概括,卻是對該項能力的略微寬容的概括。誠實的版本更為狹窄:它在一個只評分圖結構、別無其他的基準測試上,從照片重建一間公寓的連通性,比十二間公寓的人類樣本更為準確。
對於實際工作涉及平面圖的人——物業資料擷取、保險文件、設施管理工作、紙本平面圖數位化——那個較狹義的主張仍然是有用的,因為圖結構正是這些工作流程所需,也正是 PDF 轉 CAD 流程會出錯的地方。對於把這句話讀成關於機器人在房間中導航之陳述的人,Robotics-ER 那一列就是更正。
購買那個潛在客戶要花多少成本
GPT-6.2 Astra 的定價為每百萬輸入 token 8 美元、每百萬快取輸入 token 0.40 美元,以及每百萬輸出 token 40 美元;無論在輸入或輸出計價上,都比 GPT-6 Astra 低 20%。追平人類基準線的模型 Gemini 4 Carbon,定價為 2 美元與 10 美元——分別是 Astra 輸入價格與輸出價格的四分之一。在 Andon 排行榜上以 0.570 排名第四、在 AA-3D 上以 1,259 Elo 排名第三的 GPT-6.2 Sol,維持 GPT-6.1 Sol 的 token 價格,而非 Astra 的價格。
• Blueprint-Bench 2 — Gemini 4 Carbon 0.586 對比 GPT-6.2 Astra 0.614
• 每 1M 輸入價格 — Carbon $2.00 對比 Astra $8.00
• 每 1M 輸出價格 — Carbon $10.00 對 Astra $40.00
• AA-3D Elo — Carbon 未上榜,對戰 Astra 1,318,排名第 1
• 各自的位置——Carbon 與人類基準線打平,而 Astra 則以 0.028 超越它

把這理解成一個定價問題,而答案對旗艦機型來說並不舒服。在兩款模型都出現的唯一一項基準測試中,只要五分之一的價格,就能換來與人類基準線打平,並與第一名僅有毫釐之差。Astra 為其價格提出的理由並不建立在平面圖上;而是建立在 OpenAI 發布文章中的專業工作評測上,在那些評測中,它是擁有 1,050,000-token 上下文視窗、並在 Agents' Last Exam 與 Terminal-Bench-Science 上取得前沿分數的模型。如果你的工作負載是公寓照片和連通圖,單從這個榜單來看,價格差異很難說得過去。如果你的工作負載是一長套法律或科學文件,這項基準測試對它無論好壞都無法說明。
關於成本還有一點要提醒:Andon 和 Artificial Analysis 都沒有公布 Blueprint-Bench 2 的每項任務成本數字,而這項基準對成本異常敏感。五十間公寓、每間大約二十張影像,在模型寫出第一個房間之前就已產生大量輸入 token;而一個需要更多記事本迴圈輪次才能達到相同圖譜分數的模型,其每間公寓的成本會高於它的 token 價格所暗示的水準。請勿把上述 token 價格解讀為每間公寓的帳單;它們並不是。
這讓路由決策處於什麼樣的情況
這一切的實務結論是,「空間運算工作該用哪個模型」如今已變成一個涉及價差的双模型問題,而路由層正是消解這個價差的地方。Gemini 4 Carbon 以定價列入 OrcaRouter 目錄,0% 加價直接轉嫁,這意味著上述的 $2 與 $10 是你每百萬個 token 實際支付的價格,而非疊加了平台利潤的供應商費率。這一點在此特別重要,因為在這個排行榜上,第一名與並列第二名之間的成本差距達 4 倍,而 4 倍的差距正是那種你會在標準化採用其中任一模型之前,想先用自己的平面圖實測的東西。
截至11月20日,GPT-6.2 Astra 尚未列於我們的目錄;我們提供的 OpenAI 模型是 GPT-6 Astra,它在這個排行榜上得分 0.497,另有 GPT-6 Sol 系列。這值得直說,而不是暗示相反情況,因為這會改變建議:在 Astra 可於此路由之前,我們目錄中與人類基準線打成平手的模型是 Carbon;如果你想要 OpenAI 的輸出風格,GPT-6 Astra 也在同一個金鑰上,價格為 $10 與 $50。當一個模型和它較便宜的競爭對手落在同一個端點時,在你自己的公寓上做 A/B 測試,只需更換 API 金鑰,而不必再簽第二份合約,而且 容錯移轉意味著其中一個遇到速率限制不會讓整批停擺。
什麼會改變這個讀數?
三件事,依它們能多大程度推動整個敘事的順序排列。第一是更廣泛的人類基準。十二間公寓對於五十間公寓的任務而言是小樣本,而 Andon 若公布人類數據的區間,就能確定 0.586 是一條線還是一片模糊地帶——如果人類區間最後落在 0.55 到 0.62,那麼 Astra 的領先是真的,但 Carbon 的並列不是,整個排行榜頂端會重新洗牌。第二是在同一排行榜上再跑一次 GPT-6.2 Astra。這個模型才推出三天;Andon 的數字來自單一輪評測,而帶有記事本迴圈與五十間公寓視野的基準,其每次執行間的變異大於單次評估,這正是標準誤差線所暗示、但無法完全吸收的部分。
第三個是頁面本身。Andon 的「主要發現」區塊仍把 GPT 5.5、Gemini 3.1 Pro 和 Claude Opus 4.7 列為前三名模型,這在 2026 年 5 月是正確的,但隨著表格陸續補齊,該區塊並未更新。他們的空間推理報導仍引用 Gemini 3.1 Pro 和 GPT 5.5 逐一處理個別公寓的內容。排行榜是最新的;圍繞它的文字敘述則是六個月前的快照。請讀表格,而不是「主要發現」區塊;請讀圖表上的誤差線,而不是寫著兩個模型打成平手、但其中一個明顯高於那條線的圖說。
這些都不會讓結果變得錯誤。GPT-6.2 Astra 是本週發表的兩項獨立 3D 評估中表現最好的模型:在其中一項上,領先幅度足以超出它自身的誤差範圍;在另一項上則領先 47 Elo,而該項的兩個 95% 區間仍互相重疊。這是第一個在自五月起持續運行的基準測試中,明顯高於人類估計值的模型。這項說法比推文來得保守,卻比外洩消息更紮實;對於一個在模型問世三天後才出現的結果而言,這正是恰當的樣貌。
本文中的比較2
根據本文內容識別 · 基準測試:Artificial Analysis · 每日更新
