SKY-001：Skyfall AI 的工程世界模型在成本上以 150 倍擊敗 GPT-6 Astra，準確度還高出 0.6 個百分點

Skyfall AI 於 2026 年 10 月 19 日發布 SKY-001，而你會一再看到的說法是：它在 CAD 與 BIM 工作上優於 GPT-6 Astra 和 Claude Opus 5.5。這個說法背後的數字比說法本身更小，也更有意思。在廠商自家的 CAD 建築基準測試中，SKY-001 得分為 79.7% IoU，GPT-6 Astra 則為 79.1%。那是 0.6 個百分點——這種差距是換個隨機種子就會出現的，不是來自新架構。真正差距懸殊的是它周遭的一切：每例 3.9 秒對上 199 秒，$0.005 對上 $0.75。準確度是平手。效率則是徹底碾壓。Skyfall 自家的資料大聲闡明了第二點，而且有一處還無意間替你佐證了第一點。像這類發布背後的已記錄 AI 故障與代理事件，都收錄在OrcaRouter AI 事故檔案庫其中每筆紀錄都附有自己的來源、嚴重程度、信心評級與爭議標記。

在那些數字對你產生任何意義之前，還有第二件事需要知道：SKY-001 不是你能直接呼叫的東西。它目前處於研究預覽階段，設有候補名單，全面商業部署的目標是 2027 年初。沒有 API、沒有定價、沒有權重、沒有參數量、沒有授權條款。本文要談的是這次發布實際上確立了什麼——當你讀的是表格而不是標題時，基準測試結果有多站得住腳、這個模型真正與眾不同之處在哪裡，以及一個今天就需要這項能力的團隊應該怎麼做，而不是乾等。

Skyfall 實際推出了什麼

Skyfall AI 是一家總部位於舊金山、並在多倫多設有研究中心的公司，由微軟於 2017 年收購的深度學習實驗室 Maluuba 背後團隊創立。Sam Pasupalak 擔任執行長；Kaheer Suleman 和 Sumit Pasupalak 為共同創辦人。該公司於 2026 年 7 月結束隱身模式，帶著一個與眾不同的主張亮相——企業級世界模型，最終打造一家由 AI 營運的公司——並獲得 Fidelity、Touring Capital、M13 和 iNovia 支持。SKY-001 是其首個模型發布，也是該主張背後的第一個具體成果。

用一句話說明這個提案：工程設計不是語言問題，所以別再用語言模型來解決它。一具引擎會拆成數百個零件、巢狀好幾層，每個零件都受相鄰零件約束；一張平面圖則是牆，然後是單元，然後是房間，然後是門與固定設備，繪製順序很重要。只會輸出一長串自迴歸文字鏈的模型，必須把這一切塞進單一脈絡中，而且鏈越長表現越差。SKY-001 則是在視覺世界中以階層方式規劃，每一層都把明確的子目標交給下一層。

這件事由兩個元件完成。Hierarchical Composer會接收設計意圖——一張圖像、文字，或附有設計任務書的建築外殼——並生成整體設計，然後逐層拆分，並行細化每個葉節點。Construction World Model接著預測建立每個葉節點的有序視覺狀態序列：在 CAD 中，是一連串 3D 實體狀態，並在每對相鄰狀態之間繪製 2D 草圖；在 BIM 中，則是逐筆繪製的平面圖。繪圖本身以兩趟擴散方式執行：先由 Matryoshka 式自動編碼器在壓縮潛在空間中進行粗略展開，然後由精細化器還原完整解析度。兩者都是擴散 Transformer；兩者都不預測 token。

關於那套架構，完全沒有公開的規模資訊。Skyfall 揭露的是其資料，而非其模型：composer 有超過 200,000 個零件，世界模型有超過 600,000 個建構範例，另有約 35,000 份真實與合成平面圖，代表約兩百萬種繪圖狀態。這些 CAD 資料是從公開組裝資料集重建而成；那些資料集的階層不一致、零件未命名，且缺少建構歷程。Skyfall 以工程工具與 LLM 輔助工作流程對其進行逆向工程，並在以此訓練前驗證結果。資料規模的論點確有其事：相較於常見的零件分解資料集 PartVerse，其物件零件數中位數為 6，第 99 百分位為 33。Skyfall 的中位數為 288，第 99 百分位為 4,180。

正確解讀 CAD 基準測試

CAD 建構基準測試包含從複雜物件取樣的 1,000 個元件——Jaguar E-Type Roadster、FANUC ArcMate 100iB 焊接機械臂、Minitractor 4×4、Bell 222 直升機、噴射引擎——每個約需 100 個繪圖步驟，並依據與參考形狀的 IoU 計分。共有五個前沿模型在其上執行。以下每個數字都是 Skyfall 的，由 Skyfall 產出，且是在 Skyfall 自行驅動的模型上得出。

• 每題耗時 — 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，且一題都沒完成。

• 每案成本 — 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 無輸出時 $0.59。

• 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 無結果。

這就是整張表的全貌，值得再讀一遍。效率方面的表現一如宣稱般強勁：比最強的對手快 51 倍、便宜 150 倍；以每週一千個設計來說，這就是 5 美元與 750 美元單項成本的差別。品質方面則平分秋色。SKY-001、GPT-6 Astra 和 Gemini 4 在頂端彼此差距都在三分以內；它們之後的斷崖式下滑——34.4%、9.5%、沒有輸出——與其說說明了贏家，不如說明了樸素 LLM 提示在冗長建構序列上失敗得多嚴重。Grok 4.7 在 1,000 個案例中完成零個，提醒我們這些是漫長且脆弱的 rollout，而這個基準測試衡量的是模型究竟能否在 100 個步驟中保持連貫。

關於成本欄位有一點需要注意：Skyfall 會報告每案成本，但未說明其背後的會計計算方式。這究竟是 API 定價、租用 GPU 時間，還是自架推論的攤銷成本，會大幅改變比較結果——尤其是對 Skyfall 自行執行而非呼叫的模型而言。請將比率視為方向正確，並將絕對金額視為未經說明。

效率的說法會隨著你讀的是哪一頁而有所變動

Skyfall 的發布資料彼此不一致，如果你打算引用，這點值得注意。發布部落格標題寫著每個 CAD 案例「約 50× 加速、少 150 倍」，其圖表標籤則顯示 51× 與 150×。SKY-001 產品頁標題寫著「3.9 秒 vs 199 秒，快 49×」以及「$0.005 vs $0.75，成本低 143×」。新聞稿則說「快 100x」與「成本低 150x」。同一模型、同一基準，三份同日發布的文件卻出現四種不同的加速倍數。

算術就能為 CAD 這個案例定案：199 除以 3.9 等於 51.0，而 $0.75 除以 $0.005 等於 150。部落格是對的，另外兩頁則是四捨五入、過時，或依據不同基準計算——新聞稿中的 100× 與網站上任何數字都對不上。這不是醜聞；發布頁面由不同人在不同截止期限下撰寫，沒有人會去比對差異。這是要引用原始表格、而非標題的理由，也要預期本週報導中看到的倍數會出錯，錯誤方向取決於作者剛好先讀到哪個數字。

著陸頁還顯示了第二個與部落格不一致的品質面板。其 3D CAD 圖表顯示，SKY-001 的 IoU 為 76.1%，對上 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%，以及 Kimi K3 的 6.5%。部落格的建構基準則顯示 79.7% 對 79.1%。不同的任務、不同的分數，兩者卻掛著相同的模型名稱——而且領先 Astra 的幅度會依你採用哪一個而從 0.6 點變成 2.7 點。如果你要爭論這個模型的準確度，請連同數字說出是哪個基準。

BIM：領先優勢收窄，Gemini 緊隨其後

BIM 基準測試包含 1,000 張平面圖——約 350 個完整樓層取自 IFC 建築模型，另有 650 個為公寓層級——每張有 20 到超過 200 個繪圖步驟，平均約 70 個，並以完成後平面圖的 IoU 計分。

• 每項計畫耗時 — {{1}}SKY-001{{/1}} 1.22 秒；{{2}}Kimi K3{{/2}} 113.9 秒；{{3}}GPT-6 Astra{{/3}} 144.6 秒；{{4}}Qwen 3.8 Max{{/4}} 255.3 秒；{{5}}Gemini 3.8 Flash{{/5}} 346.2 秒；{{6}}Grok 4.7{{/6}} 592.1 秒。

• 各方案成本 — 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。

• 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%。

相對於 Astra 的 119 倍速度與 186 倍成本數字是準確的。但看看品質欄：Gemini 3.8 Flash 落後 SKY-001 1.3 分，而 Gemini 3.8 Flash 的成本高出 91 倍，但以每份計畫 22 美分來看，絕對金額仍然便宜。對一家會產出數千份計畫的公司來說，這個差距真實存在；對一家只產出數十份計畫的公司來說，相較於工作流程的改變，這差距只是捨入誤差。

再看看絕對數字。在這項基準上，最佳模型以交並比（intersection-over-union）重建了平面圖的 43.6%。這是研究預覽等級的品質門檻，供應商自己的評分已明白表示這一點，而不是「取代建築師」的門檻。從這個角度來看，這次發布真正的主張比那則推文更狹窄、也更站得住腳：一個專門打造的空間模型現在能以讓大量生成與搜尋變得可行的速度，規劃長串的施工序列，且相對於被拿來比較的前沿 LLM，其保真度大約達到人類基準水準——而不是說它已經解決了建築設計。

這則推文錯在哪裡

「SKY-001 在 CAD 與 BIM 任務上勝過 GPT-6 Astra 與 Opus 5.5」這種說法，誇大了這兩項比較中的其中一項。Claude Opus 5.5 並未出現在任何一項建造基準測試中。它在其他地方出現兩次：一次是在一支質性影片中，四個模型各自在一次請求中為完整組件撰寫 Blender 腳本——其中 Skyfall 自己表示 GPT-6 Astra「遠遠領先」其他前沿模型——另一次則是作為兩名盲測 LLM 評審之一，與 GPT-6.1 Sol 一同將 SKY-001 與 Astra 進行評分。著陸頁的 3D CAD 面板確實包含 Opus 5.5 的 61.8%，而那是唯一存在其數字的地方。

在 BIM 上完全沒有 Opus 5.5 這一列。CAD 建構表中也沒有 Opus 5.5 這一列。所以這個說法誠實的版本是：SKY-001 在準確度上大致與 GPT-6 Astra 打平，而時間與成本僅是其一小部分，並且以隨著任務變長而擴大的差距，擊敗了實際跑過的前沿模型——包括 Gemini、Qwen 和 Kimi。句子中 Opus 的部分是承襲自影片示範與評審席，而非來自基準測試。

關於作曲家（composer）的比較需要附帶自己的但書，因為這是兩項結果中較弱的一項。Skyfall 讓 SKY-001 與 GPT-6 Astra、Claude Opus 5.5 及 Claude Fable 5.1 針對相同的輸入照片進行比較，每個 LLM 都必須在一次請求中為整個組裝撰寫一份 Blender 腳本。兩名盲測的 LLM 評審針對五個面向以 1 到 10 分為算圖評分，而 SKY-001 拿下了五項中的四項——零件分解 7.8 對 6.4、內部 7.3 對 6.3、複雜度 8.0 對 7.3、與輸入影像的吻合度 8.1 對 6.7、外觀擬真度 7.7 對 7.4。這些但書就寫在 Skyfall 自家的註腳裡：評審是 LLM，設定是單次提示，競爭對手沒有工具輔助、也不能反覆迭代，而且 GPT-6 Astra 只對 82% 的資產回傳了模型——因此在整組資料中有 18% 的情況，SKY-001 根本是在跟「沒有東西」競爭。用單次請求的 Blender 腳本，是一種刻意對前沿 LLM 不友善的 3D 組裝測試方式。這並不代表結果是假的；這代表這是一場專用管線與現成提示之間的比較，而這正是建築基準測試同樣的本質。

如果你真的在開發工程軟體，這代表什麼

真正有趣的說法並不是基準測試上的領先幅度，而是：階層式空間世界模型竟然能讓一份 100 步的建造計畫維持連貫，橫跨五個組裝層級與數千個零件，並產出在幾何重疊度上與前沿 LLM 相差不到一分的結果。如果這在獨立測試下站得住腳，其實際影響在於搜尋，而非取代：當一次設計推演只花半美分與四秒，而不是 75 美分與三分鐘，你就能生成一千個變體並從中挑一個。這與那種慢慢產出單一設計的模型是截然不同的產品。

Skyfall 所說接下來要推出的部分，也指向同一個方向。CAD 草圖將變成可執行的參數化操作，並具備可編輯的特徵歷程，因此設計師可以要求加寬一個支架，而必須隨之變更的相鄰零件也會跟著調整。BIM 輸出將成為可編輯建築模型中的牆、門、窗與房間，而不是一張圖紙。除此之外，還有 PCB 佈局和其他硬體。這些都是路線圖陳述，並非已推出的功能，而研究預覽版不包含其中任何一項。

另外還有一些問題，是模型發布通常會回答、但這次並未回答的。沒有參數數量。沒有架構論文。沒有權重、沒有授權、沒有自架路徑。沒有上下文視窗，因為它不是聊天模型。沒有公開的評估測試框架，因此無法在你自己的元件上重跑基準測試。也沒有獨立測量：Artificial Analysis、LMArena 和常見的第三方排行榜都沒有 SKY-001 的條目，對一個公開才一天且無法呼叫的模型來說，這並不意外。本文每個數字都是廠商回報且未經重現，而廠商自家頁面在主要速度倍數上彼此不一致，差距最高達 2 倍。在這些數字成為建置決策的關鍵依據之前，該等待的是獨立重現。

如果您本季度需要這項功能

你無法取得 SKY-001。產品頁面提供候補名單，新聞稿表示全面商業部署的目標是 2027 年初，而唯一被點名的整合是在 Autodesk Fusion 內的示範，並非已推出的連接器。這裡沒有任何理由讓你圍繞它規劃 2026 年的銷售管道。

你能取得的，正是它被用來做基準比較的模型。GPT-6 Astra 在 OrcaRouter 上以 openai/gpt-6-astra 路由，採用 OpenAI 的定價：每百萬輸入 token 10.00 美元、每百萬輸出 token 50.00 美元，上下文視窗為 1.05M token，以 0% 加成價格提供——因此，如果 OpenAI 調整費率，這裡的費率會在同一天跟著調整，而不是等到重新計算利潤率之後才變。它擁有 54.7 的 Artificial Analysis Intelligence Index、76.9 的 Coding Index 和 51.6 的 Agentic Index，這是 SKY-001 所沒有的獨立評分。

這也是在不把生產路徑押注在其上的情況下，持續關注一個尚未驗證模型的穩健做法。當 SKY-001 真的推出 API 時——依目前計畫是 2027 年初，且可能在 Skyfall 直接販售前先透過合作夥伴提供——值得跑的測試是你自己的零件，而不是 1,000 個元件的基準測試。在那之前，能撐過一個你尚未評估過的模型的路由模式，就是那個無聊的做法：把呼叫留在單一端點，並在其後方設置備援鏈，並讓路由器在供應商變慢或某個模型不再是最佳答案時轉移流量。OrcaRouter 的容錯移轉之所以存在，正是因為新模型應該靠實測結果來贏得生產流量，而除了 Skyfall 之外，沒有人測量過 SKY-001。

看什麼

有三件事能讓這件事從一場強而有力的供應商演示，變成一個決策。第一，是在公開測試框架上進行獨立評估——這項建構基準是 Skyfall 自家的、由 Skyfall 定義，且沒有釋出任務集，而 0.6 個百分點的 CAD 差距，完全落在不同評分慣例可能翻盤的範圍內。第二，是商業形態：2027 年初會以按每個設計計價的 API 形式出現，還是作為外掛嵌入買方已經在用的 CAD 與 BIM 工具中，抑或作為企業授權賣給公司而非開發者。提到 Autodesk Fusion 暗示了第二種，這會讓 SKY-001 成為你已擁有的設計軟體的一項功能，而不是你呼叫的模型。第三，是階層體系是否能從 CAD 和 BIM 推廣到 Skyfall 接下來點名的 PCB 與硬體工作——這才是「優勢來自架構，而非訓練資料」的主張。

目前為止，這個準確的總結仍屬狹義。Skyfall AI 交出了第一個可信的工程世界模型，而它真正勝出之處在於每個設計的速度與成本，快上一到兩個數量級，準確度則是與前沿持平，而非超越。這確實是一項嶄新的能力，也是對以 LLM 從事實體設計這條路線的一場真正戰略押注。但時至今日，它也還只是一個候補名單頁面和一份廠商自行发布的基準測試——而真正決定它能否不只是如此的，是那零點六分，不是那一百五十倍。