GPT-6 Astra da OpenAI consegue identificar erros de montagem da IKEA com 80% de precisão

Quem já terminou uma estante de montar e só então viu um parafuso sobrando rolando pelo chão conhece o temor silencioso de uma montagem da IKEA que deu errado. Agora pode existir uma máquina capaz de resolver a discussão. Segundo o Furniture Assembly Benchmark (FAB), da Epoch AI, o GPT-6 Astra, da OpenAI, consegue examinar uma fotografia de um móvel em plena montagem e identificar exatamente onde a montagem saiu dos trilhos, alcançando 80% de precisão na tarefa.

O resultado chega cerca de dez meses depois de o melhor desempenho do benchmark, o Claude Opus 4.5, ter atingido apenas 28%. Esse salto, de uma falha quase total para a detecção da grande maioria dos erros introduzidos, é o destaque da mais recente atualização do ranking do FAB.

Como funciona o Furniture Assembly Benchmark

O FAB é deliberadamente banal, e parece que essa é justamente a intenção. O benchmark fotografa três peças de móveis da IKEA durante a montagem, com erros deliberados introduzidos ao longo do processo. Um modelo recebe então essas fotos junto com as instruções do fabricante e precisa fazer duas coisas ao mesmo tempo: apontar o erro e descrever em palavras o que deu errado.

É essa combinação que torna a tarefa mais difícil do que um simples problema de classificação de imagens. O modelo não pode apenas sinalizar que algo parece errado. Ele precisa localizar um erro dentro de um objeto parcialmente montado e então explicá-lo de forma clara o suficiente para que um montador humano possa agir com base na descrição. O benchmark, portanto, reúne raciocínio visual, seguimento de instruções e geração de linguagem em uma única pontuação.

Móveis de montar acabam sendo um teste de estresse útil justamente porque são entediantes. As peças são rígidas, as instruções são diagramáticas e a correção é inequívoca. Ou o trilho da prateleira está montado na face errada, ou não está. Há muito pouco espaço para o tipo de julgamento subjetivo que pode turvar avaliações baseadas em imagens.

De 28% para 80% em dez meses

A magnitude da melhoria é o elemento mais impressionante da atualização. Em novembro de 2025, o modelo mais forte disponível pontuou bem menos de um terço do benchmark. Dez meses depois, o líder está se aproximando do ponto em que a ferramenta estaria certa muito mais vezes do que errada.

• Novembro de 2025: Claude Opus 4.5 lidera o campo com 28%.
• Setembro de 2026: o GPT-6 Astra, da OpenAI, alcança 80%, com média de cerca de três minutos por foto.
• Claude Fable 5.1 fica em 70%.
• Claude Opus 5 chega a 61%.
• Modelos chineses de pesos abertos, como o Kimi K3, ficam pelo menos sete meses atrás dos líderes.

Três dos cinco pontos de dados descrevem um campo agrupado em uma faixa significativa, e não um único vencedor disparado. O Astra mantém uma vantagem, mas o Fable 5.1 está perto o suficiente para que a ordem possa mudar com a próxima rodada de lançamentos. A lacuna mais reveladora é a que separa a fronteira dos concorrentes de pesos abertos, em que o Kimi K3 e seus pares permanecem cerca de sete meses atrás.

Por que a curva se inclinou tão acentuadamente

O material de origem enquadra o ganho como parte de uma mudança mais ampla, e não como um feito isolado. Os modelos falhavam em tarefas visuais muito mais simples não faz muito tempo, o que torna notável um resultado de 80% em um problema de inspeção de várias etapas. À medida que os sistemas de visão e linguagem se tornaram melhores em fundamentar descrições naquilo que é de fato visível em uma imagem, benchmarks construídos em torno de objetos físicos se tornaram tratáveis de uma forma que antes não eram.

A velocidade é o gargalo restante

Há uma ressalva importante associada à pontuação do Astra: três minutos por foto. Isso é lento demais para assistência de montagem em tempo real, o cenário que a maioria das pessoas imaginaria primeiro. Um assistente que leva três minutos para emitir um veredito não é útil quando suas mãos estão ocupadas e você está na metade do passo quatro.

Os pesquisadores, ainda assim, veem a capacidade como um trampolim. Eles sugerem que a habilidade subjacente poderia, eventualmente, ser direcionada a tarefas como reparos de carros ou consertos de eletrodomésticos, em que um modelo compararia a foto de um sistema com defeito ou parcialmente desmontado com a documentação e descreveria a falha. Esses domínios são mais bagunçados do que uma estante: componentes ficam escondidos, a iluminação varia e reparos anteriores podem deixar a máquina em um estado não padrão.

A velocidade também é, em princípio, um problema mais fácil de atacar do que a precisão. Os custos de inferência tendem a cair e a capacidade de processamento tende a aumentar ao longo das gerações sucessivas de modelos, então um tempo de resposta de três minutos hoje diz mais sobre o estado atual da arte do que sobre qualquer teto rígido.

Além dos móveis de montar: robótica visual

O resultado do benchmark não está isolado. O Astra também tem bom desempenho em tarefas de robótica visual, segundo o material de origem, o que sugere que a mesma habilidade subjacente, ler uma cena e raciocinar sobre o arranjo físico, se transfere para além de fotografias estáticas de móveis.

Essa conexão importa porque a robótica sempre foi limitada menos pelos atuadores do que pela percepção e pelo bom senso. Um robô que consegue olhar para uma montagem pela metade, compará-la com um plano e dizer o que está errado está fazendo algo estruturalmente semelhante à manipulação: está construindo um modelo interno do estado correto de um objeto e comparando-o com a realidade. A detecção de erros desse tipo é um precursor lógico da correção de erros.

Um benchmark feito para se manter honesto

O design do FAB também diz algo sobre como a avaliação de IA está amadurecendo. Em vez de testar a resolução de quebra-cabeças abstratos, ele toma emprestada uma tarefa da vida comum e introduz falhas controladas, o que torna a pontuação objetiva e reproduzível. Erros deliberados podem ser catalogados, de modo que uma resposta correta é verificável e uma resposta errada é inequívoca.

O preço desse rigor é a estreiteza. Três peças da IKEA são uma amostra pequena, e o sucesso nelas não garante sucesso em um armário de cozinha ou em uma bicicleta. Mas, como sinal direcional do progresso do raciocínio visual, o benchmark é excepcionalmente legível: ele mede se um modelo consegue olhar para um objeto físico e dizer o que há de errado com ele.

O que observar a seguir

Três coisas determinarão se este resultado parece um marco ou uma nota de rodapé. A primeira é se a vantagem do Astra sobre o Fable 5.1 e o Opus 5 vai aumentar ou diminuir nos próximos meses. A segunda é se os tempos de inferência cairão o suficiente para tornar plausível a orientação em tempo real. A terceira é se a habilidade de detecção de erros se generaliza dos móveis de montar para as tarefas de reparo mais bagunçadas que os pesquisadores têm em mente.

Por ora, a conclusão prática é modesta, mas real: a tecnologia que não conseguia identificar de forma confiável um suporte de prateleira invertido há menos de um ano agora consegue identificar o erro em oito de cada dez vezes e explicá-lo. Quem já discutiu com um parceiro sobre qual é o lado certo de uma cavilha pode considerar esse progresso bem-vindo.

Este artigo é baseado em reportagem do The Decoder. Leia o artigo original.