OpenAI GPT-6 Astra Tops Epoch AI Furniture Assembly Benchmark at 80%
让 AI 学会“挑刺”：根据说明书 + 照片指出家具是否装错，OpenAI GPT-6 Astra 准确率已达 80%
FAB measures whether models can combine images with instruction manuals, a skill that transfers to appliance repair and equipment inspection rather than simple document recall. Engineers building visual inspection or step-by-step guidance tools can use the 80% vs 28% gap as a marker of how quickly multimodal spatial reasoning has matured. Chinese models Alibaba Qwen and Google Gemini were also noted for characteristic error patterns in the study.
Epoch AI ran its Furniture Assembly Benchmark (FAB) on 23 Sep 2026, testing multimodal models on spotting errors in deliberately mis-assembled IKEA furniture from photos and official manuals.
OpenAI's GPT-6 Astra led with 80% accuracy, while Anthropic's Claude Fable 5.1 and Claude Opus 5 scored 70% and 61%.
In November 2025 the leading model, Claude Opus 4.5, managed only 28%, a near threefold jump in about 10 months.
GPT-6 Astra also analysed each photo in a median of about 3 minutes, 2 to 10 times faster than previous leaders, though researchers say real-time detection remains out of reach.
让 AI 学会“挑刺”：根据说明书 + 照片指出家具是否装错，OpenAI GPT-6 Astra 准确率已达 80%
IT之家 9 月 26 日消息，Epoch AI 于当地时间 9 月 23 日进行了一组家具组装基准测试（Furniture Assembly Benchmark，FAB）。结果显示，多模态 AI 在识别宜家家具组装错误方面取得明显进展。 其中，OpenAI 最新的 GPT-6 Astra 在该基准测试中达到 80% 的准确率，相比 2025 年底提升近三倍。 FAB 是一项专门评估 AI 理解现实世界装配过程能力的测试。该测试用 60 张宜家家具组装过程照片评估 AI 模型的视觉与空间推理能力。测试人员选取三款宜家家具故意错误组装，并拍摄不同阶段的照片，要求 AI 将照片与官方安装说明书进行比对，找出错误位置并说明具体问题。 研究团队认为，这类能力与汽车维修、家电检修等需要结合图像和技术说明进行判断的任务具有较高相关性，因此具有一定实际应用价值。 在测试时，AI 不仅会获得组装时的照片，还会同时获得官方 PDF 说明书、图片放大工具以及 Python 解释器，需要判断是否存在错误，并指出具体出错步骤和问题描述。评分采用多阶段验证，只要模型能够正确定位错误步骤并大致说明问题，即可获得相应分数。 这项测试并非考察 AI 是否会背诵说明书，而是更接近真实使用场景：用户只需拍摄组装中的家具，AI 便需要判断零件是否装反、安装顺序是否错误，或是否遗漏了关键部件。 Epoch AI 认为，这类任务结合了图像理解、空间推理以及多步骤指令匹配能力，因此能够较好反映多模态模型处理现实问题的水平。随着相关能力提升，未来 AI 有望在家具组装、设备安装、维修指导等场景中提供更具针对性的实时辅助。 结果显示，OpenAI GPT-6 Astra 以 80% 的准确率位居榜首，Anthropic Claude Fable 5.1 和 Claude Opus 5 分别达到 70% 和 61%。 相比之下，2025 年 11 月时的领先模型 Claude Opus 4.5 准确率仅为 28%，意味着前沿模型在约 10 个月内实现了显著提升。 除了准确率提升，GPT-6 Astra 的推理效率也明显改善。其完成单张照片分析的中位耗时约为 3 分钟，是研究中速度最快的模型，比此前领先模型快约 2 至 10 倍。不过，研究团队认为，这一速度距离真正意义上的实时识别仍有一定差距。 研究还分析了不同模型的错误。例如，谷歌 Gemini 和阿里 Qwen 系列模型几乎总是先假设存在错误再去找错误；而早期 Anthropic 和 OpenAI 模型则相反，经常完全找不到错误。 研究者认为，不同家具对模型难度的影响与宜家复杂度指数无明显关联，错误隐蔽性、视角及错误后继续组装的程度影响更大。 在中国模型中，目前表现最好的开源权重模型 Kimi K3 相比国际前沿模型约落后 7 个月，这一差距比其在综合能力评估中的约 4.4 个月差距更大。研究认为，视觉推理能力仍是当前部分中国模型相对薄弱的方向，而 DeepSeek V4 Pro、GLM 5.3 等热门模型暂未提供图像支持。
This report is categorized under AITOP's "Models" desk, focusing on US frontier AI labs and Silicon Valley technology leaders. Within our cross-regional analytical framework, it directly maps to US-China foundation model benchmarks and commercialization comparison and AI developer toolchains, coding agents, and engineering workflows. Key entities and technical topics under continuous tracking include GPT-6 Astra, Epoch AI, multimodal, Claude.
Source attribution: curated from IT之家. Cross-source corroboration: 11 independent sources have covered this development (including Guillermo Rauch, Artificial Analysis, Blognone), confirming industry-wide signal strength.
