实用说明
顺欣茶楼编辑部
完整版教程“whoscored预测准确率”精简版
打开任何whosco red预测 准确率教程前，先在纸上画三格小 抄：用途格 写清这次要解决的具体问题，主体 格写明在哪 个账号、哪个目录、哪个版本上动 ，回退格写 下出错后恢复到哪一份备份。三格 填不满就先 别点下一步，缺的往往正是后面返 工的根子。
操作步骤
1. 画三格小抄并先填用途格
拿一张纸横画三格：左格用途、中格主体、右格 回退。先在用途格写一句话——这次用whos cored预测 准确率要解决的具体问题是什么，比如补上某个 缺失的配置项、验证某条流程能否跑通。写得太笼统就拆小，一 句话说不清目标 ，后面步骤一定发散。（对照「whoscor ed预测准确率 」自查）
实用提醒：用途写成能判断成败的 一句话，别 写学习一下
2. 回退格写清备份与恢 复方式
回退格里写两 行：原始文件备份放在哪个 路径、恢复时是覆盖单个文 件还是替换整个目录。写完 做一次纸上推演——如果第 三步出错，按这几行能不能 把环境还原到动手前。推演 走不通就回到备份操作重新 做一遍，别带着残缺的回退 方案往下走。（对照「wh oscored预测准确率 」自查）
实用提醒 ：恢复方 式写动词 ，覆盖还 是删除要 说清
3. 主体格落账号目录版本三项
在主体格里逐项写清：用哪个账号 执行、在哪 个目录或哪个配置文件上操作、当 前whos cored预测准确率的版本号。三项都要能 从本机查到对应值，写完顺手复制 一份版本号 与路径。三项里缺哪一项就先补哪 一项，补不 齐说明你现在还没准备好动手。
实用提 醒：版 本号直 接复制粘贴，别凭印 象手写
4. 按三格 核对后逐步执行
三格填满 后再打开 whos core d预测准 确率教程 ，逐条执 行并在预 留的空白 列记录每 步结果。每完成一 步回看三 格：还在 用途范围 内、没动 主体格外 的东西、回退格仍 然有效，三条都成 立才继续 。任何一 条开始模 糊，就停 下来补齐 信息，不 靠试探推 进。
实用提醒：每步 记录顺序与时间 ，对齐日志用
5. 收尾按三格逐项验收
步骤全部走完 后，把 执行结果和三格逐项 对照：用途格的目标是否真 的达成 、主体格的范围有没 有被动 过界、回退格在收尾 时是否 仍然可用。三条全部 成立才 写验收通过；任何一 条打问 号，就回到对应步骤 复查修 正，再更新记录。（对照「whoscored 预测准 确率」自查）
实用提醒：验收结论写成通 过或不通过，别写差不多了
补一条消息
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 Assembl y 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，Open AI 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 P yth on 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，20 25 年 11 月时的领先模 型 Claud e 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 Astr a 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 Anthro pic 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 K imi 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 DeepS eek V4 Pro、G LM 5.3 等热门模型 暂未提供图像 支持。