GPT-6 Astra照片直出可编辑CAD，增材制造逆向工程迎来质变时刻？

OpenAI于本周发布了GPT-6 Astra，首批向有限数量的组织开放。

随后访问权限将扩展至ChatGPT Plus、Pro、Business和Enterprise用户，以及通过OpenAI API、Microsoft Azure和AWS Bedrock接入的开发者。

在发布时OpenAI强调的诸多能力中，3D建模和空间推理脱颖而出，成为与设计和制造工作流程最直接相关的亮点之一。

为了衡量模型对3D几何体的理解能力，OpenAI推出了BenchCAD基准测试。

该测试考察模型能否通过编写CAD代码，而不是直接生成网格的方式，从一组多视角渲染图中重建3D物体。

在使用工具的情况下，GPT-6 Astra在该基准测试的平均体素IoU指标上获得了95.9%的得分。

该指标衡量的是重建几何体与原始物体之间的重叠精度。

作为对比，OpenAI的上一代模型GPT-5.6 Sol得分为83.3%，而Anthropic的Claude Fable 5.1报告得分为84.3%。

OpenAI还表示，在测试的配置条件下，Astra达到该得分所需的估算API成本比Sol低约43%，比Fable 5.1低86%。

OpenAI将基准测试结果与一段演示相结合，展示了该模型在Blender中对房屋进行建模。

随后将其转换为虚幻引擎5中可步行探索的场景。

OpenAI将这一工作流程描述为一种方式，让设计师和客户在空间实际建成之前即可预览布局并在其中穿行体验。

同样的计算机使用能力也延伸到了游戏开发领域。

在设计师彼得罗·斯基拉诺署名的演示中，Astra构建了一款卡丁车竞速游戏和一组宇宙飞船静帧图。

它为没有编程经验的人生成了图形、玩法和运动效果。

对于关注增材制造和产品设计的读者来说，BenchCAD的结果才是最值得关注的。

一个能够从普通照片重建可编辑CAD几何体，而不是静态网格的模型，会让物理零部件的逆向工程变得更快。

扫描参考与可打印文件之间的迭代会更高效，设计工具也能生成可用的几何体，而不仅仅是图像。

Astra的输出能否满足增材制造工作流程所需的公差，这是与基准测试得分相互独立的另一个问题。

它取决于当设计师开始向模型输入真实零部件，而不是测试渲染图时，模型的实际表现如何。