Epoch AI создала бенчмарк по сборке мебели IKEA для проверки ИИ

Некоммерческая организация Epoch AI выпустила Furniture Assembly Benchmark: модели ищут ошибки в частично собранной мебели IKEA по фото и инструкции. Лучший результат — GPT-6 Astra с 80% точности, тогда как Claude Opus 4.5 годом ранее набирал лишь 28%.

• Тест использует три товара IKEA разной сложности: Ställ, Tonstad и Gullaberg
• Модели получали 60 фото сборки, PDF-инструкцию и Python-интерпретатор
• Claude Opus 4.5 набирал 28%, GPT-6 Astra достиг 80% за 10 месяцев
• GPT-6 Astra тратит около 3 минут на фото — до 10 раз быстрее конкурентов